Science For Life
🤚با درود به يكايك دوستان گرامي ديدن چيست؟ ✍ #دکتر_مانی_منوچهری شما ابرنیرویی دارید به نام بینایی Charles E. Connor 🌿🍂 @science4lifee افرادی که بینایی نرمالی دارند، از یک قدرت فوق العاده برخوردارند. در یک نگاه، با استفاده از قدرت بینایی می توانید بگویید…
شما سعی می کنید به گلوربون ها بیاموزید که قوه بینایی چه طور کار می کند و به این ترتیب خود را از این موقعیت رازگونه خلاص کنید.
با اطلاعات دست و پا شکسته ای که از فیزیک دبیرستان به یادتان مانده توضیح می دهید که بینایی براساس فوتون ها کار می کند؛ ذرات یا شاید امواجی که مطلقا وزنی ندارند و با سرعت یک میلیارد پا در ثانیه در فضا حرکت می کنند.
البته فوتون برای گلوربون ها همان قدر قابل درک است که میدی-كلريان براي ما.
اما شما به تلاش تان ادامه می دهید؛ به آنها می گویید که چه طور مسیر عبور فوتون ها ضمن عبور از عدسی درون چشم تان، می شکند تا یک تصویر بسازد؛ یک نقشه دو بعدی که در آن هر نقطه از شبکیه چشم- لایه ای از سلول های حساس به نور در پشت چشم- فقط و فقط فوتون هایی را که از جهت مرتبط می آیند، دریافت می کند.
گلوربون ها پاسخ می دهند «بسیار خوب، پس نقش تو این میان چیست؟» و تو جواب می دهی» «خب، بعد از آن من هر چیزی را که در تصویر هست می بینم».
اما گلوربون ها نمی فهمند «دیدن» چیست.
و وقتی می خواهید برایشان توضیح دهید، کم کم درک می کنید که خودتان هم نمی دانید دیدن واقعا چیست.
دیدن کاری است که هر لحظه می کنید اما هیچ وقت درباره آن فکر نمی کنید و نمی دانید چه طور می بینید. حتی از نظر شما، همیشه چیز شگفت انگیز و رازآلودی در مورد بینایی وجود دارد.
به گلوربون ها قول می دهید که به زودی بازخواهید گشت. بعد به زمین برمی گردید؛ جایی که مطمئنید دانشمندان می توانند توضیح دهند که دیدن واقعا چیست.
ایتدا، براساس مطالبی که به تازگی در مورد شبکه های عصبی پیچشی خوانده اید (شبیه سازی کامپیوتری واحدهای عصبی که به شدت به هم پیوسته اند)، با پروفسور Y که متخصص دید کامپیوتری است مشورت می کنید.
برایش توضییح می دهید که شناساندن این مفهوم به گلوربون ها چه قدر برای تان سخت بوده است.
او اظهار تاسف می کند و به شما می گوید که بینایی یکی از مشکل ترین مسائل در علوم کامپیوتر است.
او نمای کلی یکی از پروژه های موسسه فناوری ماساچوست (MIT) را در دهه 1970 به شما نشان می دهد که پیش بینی می کرد می توان الگوریتم های کامپیوتری طراحی کرد که اجسام را در داخل تصاویر تشخیص دهند.
او اضافه می کند حالا بعد از گذشت پنجاه سال، این موضوع هنوز هم یک مسئله حل نشده باقی مانده است.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
با اطلاعات دست و پا شکسته ای که از فیزیک دبیرستان به یادتان مانده توضیح می دهید که بینایی براساس فوتون ها کار می کند؛ ذرات یا شاید امواجی که مطلقا وزنی ندارند و با سرعت یک میلیارد پا در ثانیه در فضا حرکت می کنند.
البته فوتون برای گلوربون ها همان قدر قابل درک است که میدی-كلريان براي ما.
اما شما به تلاش تان ادامه می دهید؛ به آنها می گویید که چه طور مسیر عبور فوتون ها ضمن عبور از عدسی درون چشم تان، می شکند تا یک تصویر بسازد؛ یک نقشه دو بعدی که در آن هر نقطه از شبکیه چشم- لایه ای از سلول های حساس به نور در پشت چشم- فقط و فقط فوتون هایی را که از جهت مرتبط می آیند، دریافت می کند.
گلوربون ها پاسخ می دهند «بسیار خوب، پس نقش تو این میان چیست؟» و تو جواب می دهی» «خب، بعد از آن من هر چیزی را که در تصویر هست می بینم».
اما گلوربون ها نمی فهمند «دیدن» چیست.
و وقتی می خواهید برایشان توضیح دهید، کم کم درک می کنید که خودتان هم نمی دانید دیدن واقعا چیست.
دیدن کاری است که هر لحظه می کنید اما هیچ وقت درباره آن فکر نمی کنید و نمی دانید چه طور می بینید. حتی از نظر شما، همیشه چیز شگفت انگیز و رازآلودی در مورد بینایی وجود دارد.
به گلوربون ها قول می دهید که به زودی بازخواهید گشت. بعد به زمین برمی گردید؛ جایی که مطمئنید دانشمندان می توانند توضیح دهند که دیدن واقعا چیست.
ایتدا، براساس مطالبی که به تازگی در مورد شبکه های عصبی پیچشی خوانده اید (شبیه سازی کامپیوتری واحدهای عصبی که به شدت به هم پیوسته اند)، با پروفسور Y که متخصص دید کامپیوتری است مشورت می کنید.
برایش توضییح می دهید که شناساندن این مفهوم به گلوربون ها چه قدر برای تان سخت بوده است.
او اظهار تاسف می کند و به شما می گوید که بینایی یکی از مشکل ترین مسائل در علوم کامپیوتر است.
او نمای کلی یکی از پروژه های موسسه فناوری ماساچوست (MIT) را در دهه 1970 به شما نشان می دهد که پیش بینی می کرد می توان الگوریتم های کامپیوتری طراحی کرد که اجسام را در داخل تصاویر تشخیص دهند.
او اضافه می کند حالا بعد از گذشت پنجاه سال، این موضوع هنوز هم یک مسئله حل نشده باقی مانده است.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
شما سعی می کنید به گلوربون ها بیاموزید که قوه بینایی چه طور کار می کند و به این ترتیب خود را از این موقعیت رازگونه خلاص کنید. با اطلاعات دست و پا شکسته ای که از فیزیک دبیرستان به یادتان مانده توضیح می دهید که بینایی براساس فوتون ها کار می کند؛ ذرات یا شاید…
شما می گویید اما شبکه های پیچشی در نهایت توانسته اند قابلیت بینایی انسان را شبیه سازی کنند؟
پروفسور Y لبخند می زند و شما را به آزمایشگاهش می برد تا AlexNet ببینید که یک شبکه کامیپوتری استاندارد عمیق فعال است.
بعد تصویری از یک پنگوئن با خودش می آورد که در فضایی پر از برف ایستاده است.
در پشت زمینه ، دیگر پنگوئن ها و کوهستان های برفی به چشم می خورد.
شبکه دور پنگوئن خط می کشد و تشخیص می دهد که این تصویر به احتمال هفتاد درصد مربوط به یک پرنده است.
با خودت فکر می کنی خب بدک نیست، هرچند شخصا با احتمال 100 می گویید که این یک پنگوئن است؛ اصلا شکی نیست، با آن منقار سیاه، چشم های سیاه گرد که در دو سمت سرش قرار گرفته اند. با آن شکم کرک دار که با وجود آن هم برف در آن اطراف خیلی گرم به نظر می رسد. آن بال های خیلی کوتاه احمقانه که در شنا واقعا ماهرانه عمل می کنند و بدن گلابی شکل اش که جای هیچ شک و تردیدی به جا نمی گذارد و پاهای سیاه پردار پنگوئن که تقریبا به طور زیر بدن پنهان اند.
سپس پروفسور Y یک مانیتور کامپیوتری به تصویر اضافه می کند، درست نزدیک پنگوئن.
شما به این تصویر بی تناسب پیتونی می خندید اما بعد متوجه می شوید که شبکه، پنگوئن را با احتمال 70 درصد، یک شخص می داند.
چه طور چنین چیزی ممکن است؛ این تصویر مشخصا یک پنگوئن است.
اصلا شبیه یک انسان به نظر نمی رسد.
پروفسور Y توضیح می دهد که موفق ترین برنامه تشخیص اجسام چه طور کار می کند.
او می گوید که این برنامه هر جز راهنما از تصویر را با منابع آماری اش مقایسه می کند تا بهترین حدس را بزند.
اما شما می گویید پس منقار، شکم، بال ها... و بعد در می یابید AlexNet درباره ماهیت فیزیکی پنگوئن ها آن چنان اطلاعات کاملی ندارد تا آن را با چیز دیگری اشتباه نگیرد.
در عوض، AlexNet از ساده ترین و قابل اعتمادترین نشانه های تصویر استفاده می کند تا آن را تشخیص دهد.
درک دقیق و جامعی که شما از اطلاعات مربوط به پنگوئن دارید بسیار بیشتر از آن چیزی است که تحت شرایط معمولی، برای تشخیص صرف به آن نیاز دارید (اما اگر بخواهید پنگوئن ها، ماهیت فیزیکی آنها، سازش های فرگشتي و رفتارشان را درک کنید، مطمئنا به کارتان می آیند).
واضح است که ضمن خروج از آزمایشگاه با خودتان فکر می کنید بینایی چیزی بیش از تشخیص صرف است.
به کسی نیاز دارید که بینایی انسان را به خوبی بشناسد پس با پروفسور Z مشورت می کنید که یک دانشمند عصب بینایی است.
به او می گویید دوست دارید بدانید بینایی انسان چه طور کار می کند. به معنای پیچیده و دقیق آن نه فقط شناسایی.
او در مورد تحقیقاتی که در طی شصت سال اخیر در زمینه پردازش تصویری در سطح بسیار بالا انجام گرفته، اطلاعات باارزشی دارد که با شما به اشتراک می گذارد.
ابتدا درباره آناتومی توضیح می دهد و می گوید در نخستی ها (از جمله انسان ها)، احتمالا نیمی از قشر مغز به نحوی به بینایی مرتبط است.
قشر بینایی اولیه در پشت مغز قرار گرفته و اطلاعات بینایی که توسط شبکیه تشخیص داده شده و پردازش شده اند، دریافت می کند .
اطلاعات پس از شبکیه به یک ساختار میانی به نام تالاموس منتقل می شوند و وقتی وارد قشر بینایی اولیه می شوند، تازه اول کار است.
اطلاعات از قشر بینایی اولیه در بین هزاران ناحیه مغزی دیگر که جنبه های مختلف بینایی را پوشش می دهند، منتشر می شود.
برای تشخیص اجسام، صحنه ها، چهره ها، بدن ها، حرکات و رنگ ها نواحی ویژه ای از مغز به طور اختصاصی وارد عمل می شوند.
نواحی مربوط به حرکت، از بینایی استفاده می کنند تا بفهمند در مرحله بعد به کجا باید نگاه کرد، در جهان چه طور می توان راهیابی کرد، چه طور میتوان به اجسام نزدیک شد و آنها را گرفت.
نواحی مربوط به احساسات و هیجانات از اطلاعات بینایی استفاده می کنند تا میزان ارزشمندی یا خطرناک بودن هر چیزی را ارزیابی کنند.
اطلاعات در قشر پیش-پیشانی در حافظه کوتاه، به مدت چند ثانیه مدت ذخیره می شوند. در قشر گیجگاهی، اطلاعات بینایی در تمام مدت عمر، در حافظه طولانی مدت ذخیره می شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
پروفسور Y لبخند می زند و شما را به آزمایشگاهش می برد تا AlexNet ببینید که یک شبکه کامیپوتری استاندارد عمیق فعال است.
بعد تصویری از یک پنگوئن با خودش می آورد که در فضایی پر از برف ایستاده است.
در پشت زمینه ، دیگر پنگوئن ها و کوهستان های برفی به چشم می خورد.
شبکه دور پنگوئن خط می کشد و تشخیص می دهد که این تصویر به احتمال هفتاد درصد مربوط به یک پرنده است.
با خودت فکر می کنی خب بدک نیست، هرچند شخصا با احتمال 100 می گویید که این یک پنگوئن است؛ اصلا شکی نیست، با آن منقار سیاه، چشم های سیاه گرد که در دو سمت سرش قرار گرفته اند. با آن شکم کرک دار که با وجود آن هم برف در آن اطراف خیلی گرم به نظر می رسد. آن بال های خیلی کوتاه احمقانه که در شنا واقعا ماهرانه عمل می کنند و بدن گلابی شکل اش که جای هیچ شک و تردیدی به جا نمی گذارد و پاهای سیاه پردار پنگوئن که تقریبا به طور زیر بدن پنهان اند.
سپس پروفسور Y یک مانیتور کامپیوتری به تصویر اضافه می کند، درست نزدیک پنگوئن.
شما به این تصویر بی تناسب پیتونی می خندید اما بعد متوجه می شوید که شبکه، پنگوئن را با احتمال 70 درصد، یک شخص می داند.
چه طور چنین چیزی ممکن است؛ این تصویر مشخصا یک پنگوئن است.
اصلا شبیه یک انسان به نظر نمی رسد.
پروفسور Y توضیح می دهد که موفق ترین برنامه تشخیص اجسام چه طور کار می کند.
او می گوید که این برنامه هر جز راهنما از تصویر را با منابع آماری اش مقایسه می کند تا بهترین حدس را بزند.
اما شما می گویید پس منقار، شکم، بال ها... و بعد در می یابید AlexNet درباره ماهیت فیزیکی پنگوئن ها آن چنان اطلاعات کاملی ندارد تا آن را با چیز دیگری اشتباه نگیرد.
در عوض، AlexNet از ساده ترین و قابل اعتمادترین نشانه های تصویر استفاده می کند تا آن را تشخیص دهد.
درک دقیق و جامعی که شما از اطلاعات مربوط به پنگوئن دارید بسیار بیشتر از آن چیزی است که تحت شرایط معمولی، برای تشخیص صرف به آن نیاز دارید (اما اگر بخواهید پنگوئن ها، ماهیت فیزیکی آنها، سازش های فرگشتي و رفتارشان را درک کنید، مطمئنا به کارتان می آیند).
واضح است که ضمن خروج از آزمایشگاه با خودتان فکر می کنید بینایی چیزی بیش از تشخیص صرف است.
به کسی نیاز دارید که بینایی انسان را به خوبی بشناسد پس با پروفسور Z مشورت می کنید که یک دانشمند عصب بینایی است.
به او می گویید دوست دارید بدانید بینایی انسان چه طور کار می کند. به معنای پیچیده و دقیق آن نه فقط شناسایی.
او در مورد تحقیقاتی که در طی شصت سال اخیر در زمینه پردازش تصویری در سطح بسیار بالا انجام گرفته، اطلاعات باارزشی دارد که با شما به اشتراک می گذارد.
ابتدا درباره آناتومی توضیح می دهد و می گوید در نخستی ها (از جمله انسان ها)، احتمالا نیمی از قشر مغز به نحوی به بینایی مرتبط است.
قشر بینایی اولیه در پشت مغز قرار گرفته و اطلاعات بینایی که توسط شبکیه تشخیص داده شده و پردازش شده اند، دریافت می کند .
اطلاعات پس از شبکیه به یک ساختار میانی به نام تالاموس منتقل می شوند و وقتی وارد قشر بینایی اولیه می شوند، تازه اول کار است.
اطلاعات از قشر بینایی اولیه در بین هزاران ناحیه مغزی دیگر که جنبه های مختلف بینایی را پوشش می دهند، منتشر می شود.
برای تشخیص اجسام، صحنه ها، چهره ها، بدن ها، حرکات و رنگ ها نواحی ویژه ای از مغز به طور اختصاصی وارد عمل می شوند.
نواحی مربوط به حرکت، از بینایی استفاده می کنند تا بفهمند در مرحله بعد به کجا باید نگاه کرد، در جهان چه طور می توان راهیابی کرد، چه طور میتوان به اجسام نزدیک شد و آنها را گرفت.
نواحی مربوط به احساسات و هیجانات از اطلاعات بینایی استفاده می کنند تا میزان ارزشمندی یا خطرناک بودن هر چیزی را ارزیابی کنند.
اطلاعات در قشر پیش-پیشانی در حافظه کوتاه، به مدت چند ثانیه مدت ذخیره می شوند. در قشر گیجگاهی، اطلاعات بینایی در تمام مدت عمر، در حافظه طولانی مدت ذخیره می شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
شما می گویید اما شبکه های پیچشی در نهایت توانسته اند قابلیت بینایی انسان را شبیه سازی کنند؟ پروفسور Y لبخند می زند و شما را به آزمایشگاهش می برد تا AlexNet ببینید که یک شبکه کامیپوتری استاندارد عمیق فعال است. بعد تصویری از یک پنگوئن با خودش می آورد که در…
حالا جالب شد. با وجود نیمی از قشر مغز که در هر لحظه بر روی بینایی کار می کنند، هیچ تعجبی ندارد که چرا تجربه بینایی این همه غنی و سرشار از اطلاعات است
(پروفسور Z به شما اطمینان می دهد که عبارت معروف «شما فقط از 10 درصد از توانایی مغزتان استفاده می کنید» اصلا درست نیست). اما شما می گویيد همه این ها مربوط به این است که بینایی در کجا روی می دهد.
چیزی که من واقعا می خواهم بدانم این است که بینایی چه طور کار می کند. «آه، سوال 64000 دلاری...خب این خیلی پیچیده است.
در این زمینه موفقیت های کمی داشته ایم.
احتمالا بیشترین چیزی که می دانیم در مورد درک حرکات در بینایی است.
این که چه طور گروه نورون ها، جهت و سرعت حرکت را پیام رسانی می کنند». اوه، مثلا این که چه طور رقص باله را درک می کنیم؟ «نه کاملا، بیشتر در مورد این که بفهمیم یک سری نقطه به سمت راست حرکت می کنند یا چپ».
در مورد هنرهای ظریف چه طور. چه طور از نگاه کردن به نقاشيهاي فرمیر این همه لذت می برم؟ «ما بیت ها و قطعات کوچک را شناسایی کرده ایم-پیام های عصبی مربوط به مرزها، رنگ ها و سطوح سه بعدی- اما هنوز نمی دانیم همه این ها در کنار هم چه طور کار می کنند؟
باید خدا باشی تا بتوانی هر یک از نورون های مغز را بسنجی و بفهمی به یکدیگر چه می گویند».
افسرده و غمگین دور می شوید و به این نتیجه می رسد که علم اعصاب بینایی پر از سوالات عمیق و پاسخ های ناامیدکننده است.
بینایی یک قدرت فوق العاده است که تا به امروز در هاله ای از راز باقی مانده است.
گلوربون ها مجبورند حالا حالاها منتظر بمانند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
(پروفسور Z به شما اطمینان می دهد که عبارت معروف «شما فقط از 10 درصد از توانایی مغزتان استفاده می کنید» اصلا درست نیست). اما شما می گویيد همه این ها مربوط به این است که بینایی در کجا روی می دهد.
چیزی که من واقعا می خواهم بدانم این است که بینایی چه طور کار می کند. «آه، سوال 64000 دلاری...خب این خیلی پیچیده است.
در این زمینه موفقیت های کمی داشته ایم.
احتمالا بیشترین چیزی که می دانیم در مورد درک حرکات در بینایی است.
این که چه طور گروه نورون ها، جهت و سرعت حرکت را پیام رسانی می کنند». اوه، مثلا این که چه طور رقص باله را درک می کنیم؟ «نه کاملا، بیشتر در مورد این که بفهمیم یک سری نقطه به سمت راست حرکت می کنند یا چپ».
در مورد هنرهای ظریف چه طور. چه طور از نگاه کردن به نقاشيهاي فرمیر این همه لذت می برم؟ «ما بیت ها و قطعات کوچک را شناسایی کرده ایم-پیام های عصبی مربوط به مرزها، رنگ ها و سطوح سه بعدی- اما هنوز نمی دانیم همه این ها در کنار هم چه طور کار می کنند؟
باید خدا باشی تا بتوانی هر یک از نورون های مغز را بسنجی و بفهمی به یکدیگر چه می گویند».
افسرده و غمگین دور می شوید و به این نتیجه می رسد که علم اعصاب بینایی پر از سوالات عمیق و پاسخ های ناامیدکننده است.
بینایی یک قدرت فوق العاده است که تا به امروز در هاله ای از راز باقی مانده است.
گلوربون ها مجبورند حالا حالاها منتظر بمانند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
با درود به انديشمندان گرامي
امروز باهم مرور ميكنيم نظري موافق در جهت تبديل هوش مصنوعي به ذهن شبه انسان را فردا نظري مخالف را بررسي ميكنيم
✍ #دکتر_مانی_منوچهری
هیچ قاعده‌ای وجود ندارد که در نهایت ما را از ساختن ماشین‌های متفکر منع کند
Micheal D. Mauk
🔰ذهن‌های مصنوعی تمام التهاب موجود در کتاب‌ها و فیلم‌ها هستند.
شهرت شخصیت‌هایی مانند فرمانده اطلاعات در استار ترک Star Trek نسل بعدی نشان می‌دهد که چقدر از امکان وجود ماشین‌های متفکر لذت می‌بریم.
این ایده با در نظر گرفتن هوش‌های مصنوعی موجود در دنیای واقعی مانند پیروزی کامپیوتر Deep Blue بر قهرمان شطرنج گری کاسپارف و برتری کامپیوتری در شوی تلویزیونی جئوپاردی توجه بیشتری جلب میکنند. در حالی که پیروزی در این تلاش‌های کاملا تعریف شده مانند این بازی‌ها کاملا شگفت‌انگیز است، وجود ماشینی با ذهن شبه-انسان بسیار دور به نظر می‌رسد.
چیز مورد نیاز برای پر کردن این شکاف بسیار ساده است: در اکثر موارد کار سخت.
تا کنون هیچ قانون اساسی وجود نداشته که مانع ساخت هوش مصنوعی شود.
در عوض مطالعات علم عصب شناسی بسیاری از قوانین ضروری مرتبط با چگونگی کار مغز را آشکار کرده است و پروژه‌های وسیع «اتصال» ممکن است به زودی نمودار شبکه سیم‌کشی مغز انسان را در لحظات خاصی از زمان به طور کامل ارائه دهند.
بله هنوز جزئیات زیادی برای کشف کردن وجود دارند و برای فهم این هدف، سرعت و ظرفیت کامپیوترها باید فرای سطح شگفت‌انگیز کنونی رشد کنند.
با این حال هیچ مانع نظری (نبود قانون بزرگ واحد) در مسیرمان وجود ندارد (اما مقاله نیکوللیس را برای نظریه مخالف فردا ارائه خواهم كرد: ماني).
هدف من در اینجا ملموس‌تر و شهودی‌تر کردن ادعایم است، در این حین نشان می‌دهم که تحقیقات چگونه با بازآفرینی پردازش سیستم مغز به پیشرفت درکمان از ذهن و خودمان کمک میکنند.
بدبینی در مورد درک یا تقلید مغز انسان با حسی از وسعت و پیچیدگی مغز آغاز می‌شود.
مغز‌های ما از حدود هشتاد و شش میلیارد نورون تشکیل شده که به هم متصل شده‌اند تا یک شبکه عظیم شامل تقریبا يكصد تریلیون اتصال را شکل بدهند، این اتصالات سیناپس نام دارند.
مانند هر دستگاه محاسبه دیگر، درک مغز شامل مشخص کردن ویژگی‌های اجزای اصلی آن (نورون‌ها)، ماهیت ارتباط‌شان (سیناپس) و الگوی اتصال‌شان (نمودار سیم‌کشی) است.
البته اعداد گیج کننده هستند، اما تبعیت نورون‌ها و ارتباطات‌شان از قوانینی محدود و قابل فهم ضروری است.
هشتاد و شش میلیارد نورون موجود در مغز انسان با تغییراتی طبق یک برنامه ساده کار میکنند.
هر کدام یک پالس (تكانه)الکتریکی تولید میکنند که از آکسون‌های سیم مانند به سیناپس‌ها پخش می‌شوند، جایی که سیگنال شیمیایی را به دیگر نورون‌های متصل به آن فعال میکنند.
ماهیت یک نورون این است: سیگنال‌های شیمیایی را از دیگر نورون‌ها دریافت می‌کند و سپس سیگنال الکتریکی خودش را پخش می‌کند، این سیگنال الکتریکی بر اساس قوانین پیاده‌سازی شده توسط فیزیولوژی خاصش است.
در چرخه‌ی سیگنالی، این سیگنال‌های الکتریکی در سیناپس بعدی به سیگنال‌های شیمیایی تبدیل می‌شوند.
این نکته به این معنی است که ما وقتی می‌توانیم بفهمیم که یک نورون چه‌کار می‌کند که بتوانیم قوانینش را در تبدیل ورودی به خروجی توضیح دهیم، به بیان دیگر ما می‌توانیم عملکردش را با وسیله‌ای تقلید کنیم که بتوان روی آن قوانین یکسانی را پیاده سازی کرد.
بسته به این‌که با چه دقتی طبقه‌بندی کنیم، در حدود صدها (نه ده‌ها، نه هزاران) نوع نورون وجود دارد.
بنابراین تعیین منطقی و دقیق شرحی از قوانین ورودی-خروجی برای هر نوع نورون خیلی دلهره‌آور نیست.
در حقیقت پیشرفتهای خوبی در این زمینه انجام شده است.
🌿🍂 @science4lifee
امروز باهم مرور ميكنيم نظري موافق در جهت تبديل هوش مصنوعي به ذهن شبه انسان را فردا نظري مخالف را بررسي ميكنيم
✍ #دکتر_مانی_منوچهری
هیچ قاعده‌ای وجود ندارد که در نهایت ما را از ساختن ماشین‌های متفکر منع کند
Micheal D. Mauk
🔰ذهن‌های مصنوعی تمام التهاب موجود در کتاب‌ها و فیلم‌ها هستند.
شهرت شخصیت‌هایی مانند فرمانده اطلاعات در استار ترک Star Trek نسل بعدی نشان می‌دهد که چقدر از امکان وجود ماشین‌های متفکر لذت می‌بریم.
این ایده با در نظر گرفتن هوش‌های مصنوعی موجود در دنیای واقعی مانند پیروزی کامپیوتر Deep Blue بر قهرمان شطرنج گری کاسپارف و برتری کامپیوتری در شوی تلویزیونی جئوپاردی توجه بیشتری جلب میکنند. در حالی که پیروزی در این تلاش‌های کاملا تعریف شده مانند این بازی‌ها کاملا شگفت‌انگیز است، وجود ماشینی با ذهن شبه-انسان بسیار دور به نظر می‌رسد.
چیز مورد نیاز برای پر کردن این شکاف بسیار ساده است: در اکثر موارد کار سخت.
تا کنون هیچ قانون اساسی وجود نداشته که مانع ساخت هوش مصنوعی شود.
در عوض مطالعات علم عصب شناسی بسیاری از قوانین ضروری مرتبط با چگونگی کار مغز را آشکار کرده است و پروژه‌های وسیع «اتصال» ممکن است به زودی نمودار شبکه سیم‌کشی مغز انسان را در لحظات خاصی از زمان به طور کامل ارائه دهند.
بله هنوز جزئیات زیادی برای کشف کردن وجود دارند و برای فهم این هدف، سرعت و ظرفیت کامپیوترها باید فرای سطح شگفت‌انگیز کنونی رشد کنند.
با این حال هیچ مانع نظری (نبود قانون بزرگ واحد) در مسیرمان وجود ندارد (اما مقاله نیکوللیس را برای نظریه مخالف فردا ارائه خواهم كرد: ماني).
هدف من در اینجا ملموس‌تر و شهودی‌تر کردن ادعایم است، در این حین نشان می‌دهم که تحقیقات چگونه با بازآفرینی پردازش سیستم مغز به پیشرفت درکمان از ذهن و خودمان کمک میکنند.
بدبینی در مورد درک یا تقلید مغز انسان با حسی از وسعت و پیچیدگی مغز آغاز می‌شود.
مغز‌های ما از حدود هشتاد و شش میلیارد نورون تشکیل شده که به هم متصل شده‌اند تا یک شبکه عظیم شامل تقریبا يكصد تریلیون اتصال را شکل بدهند، این اتصالات سیناپس نام دارند.
مانند هر دستگاه محاسبه دیگر، درک مغز شامل مشخص کردن ویژگی‌های اجزای اصلی آن (نورون‌ها)، ماهیت ارتباط‌شان (سیناپس) و الگوی اتصال‌شان (نمودار سیم‌کشی) است.
البته اعداد گیج کننده هستند، اما تبعیت نورون‌ها و ارتباطات‌شان از قوانینی محدود و قابل فهم ضروری است.
هشتاد و شش میلیارد نورون موجود در مغز انسان با تغییراتی طبق یک برنامه ساده کار میکنند.
هر کدام یک پالس (تكانه)الکتریکی تولید میکنند که از آکسون‌های سیم مانند به سیناپس‌ها پخش می‌شوند، جایی که سیگنال شیمیایی را به دیگر نورون‌های متصل به آن فعال میکنند.
ماهیت یک نورون این است: سیگنال‌های شیمیایی را از دیگر نورون‌ها دریافت می‌کند و سپس سیگنال الکتریکی خودش را پخش می‌کند، این سیگنال الکتریکی بر اساس قوانین پیاده‌سازی شده توسط فیزیولوژی خاصش است.
در چرخه‌ی سیگنالی، این سیگنال‌های الکتریکی در سیناپس بعدی به سیگنال‌های شیمیایی تبدیل می‌شوند.
این نکته به این معنی است که ما وقتی می‌توانیم بفهمیم که یک نورون چه‌کار می‌کند که بتوانیم قوانینش را در تبدیل ورودی به خروجی توضیح دهیم، به بیان دیگر ما می‌توانیم عملکردش را با وسیله‌ای تقلید کنیم که بتوان روی آن قوانین یکسانی را پیاده سازی کرد.
بسته به این‌که با چه دقتی طبقه‌بندی کنیم، در حدود صدها (نه ده‌ها، نه هزاران) نوع نورون وجود دارد.
بنابراین تعیین منطقی و دقیق شرحی از قوانین ورودی-خروجی برای هر نوع نورون خیلی دلهره‌آور نیست.
در حقیقت پیشرفتهای خوبی در این زمینه انجام شده است.
🌿🍂 @science4lifee
Science For Life
با درود به انديشمندان گرامي امروز باهم مرور ميكنيم نظري موافق در جهت تبديل هوش مصنوعي به ذهن شبه انسان را فردا نظري مخالف را بررسي ميكنيم ✍ #دکتر_مانی_منوچهری هیچ قاعده‌ای وجود ندارد که در نهایت ما را از ساختن ماشین‌های متفکر منع کند Micheal D. Mauk 🔰ذهن‌های…
ارتباط سیناپسی بین نورون‌ها چه؟
به نظر می‌رسد هیچ مانعی برای درک این ساختارها وجود نداشته باشد. مبانی حاکم بر چگونگی کارشان کاملا درک شده‌اند.
سیناپس‌ها حاوی میکروماشین‌هایی با پایه پروتئین هستند که می‌توانند سیگنال‌های الکتریکی پخش شده توسط نورون‌ها را به آزادسازی مقادیر بسیار کوچکی از مواد انتقال دهنده عصبی به شکاف کوچک بین دو نورون متصل به هم تبدیل کنند.
پیوند مولکول‌های انتقال دهنده عصبی به نورون دریافت‌کننده، سیگنال‌های الکتریکی موجود در آن نورون را به سمت فعالیت جهشی‌تر (ارتباط انگیزاننده) یا به سمت فعالیت کمتر جهشی (ارتباط بازدارنده) حرکت می‌دهد.
جزئیات بسیاری درباره انواع مختلف سیناپس باقی می‌ماند، اما این وظیفه قابل مدیریت است و با موانع بزرگ نظری یا لجستیکی روبرو نیست.
در زمان مناسب، درک ما از نوع سیناپس باید تواناییش در تغییر مداوم ویژگی‌هایش هنگامی که الگوی خاصی از فعالیت‌ها اتفاق می‌افتد را نیز شامل شود.
این تغییرات که به طور کلی به عنوان انعطاف‌پذیری سیناپس معروفند، می‌توانند یک نورون را وادار کنند تا تاثیر کمتر یا بیشتری روی نورونی که به آن متصل است داشته باشد.
این‌ها واسطه یادگیری و حافظه هستند، حافظه ما توسط الگوهای خاصی از قدرت چندین تریلیون سیناپس موجود در مغزمان ذخیره می‌شوند.
این نکته حائز اهمیت است که نیاز نداریم تمامی جزئیات مولکولی از چگونگی انعطاف‌پذیری را بدانیم.
برای ساخت یک سیناپس مصنوعی مناسب، فقط نیاز داریم که قوانین حاکم بر انعطاف‌پذیریش را درک کنیم.
حتی با وجود هشتاد و شش میلیارد نورون هم انواع نورون‌ها و تعداد قوانین انعطاف‌پذیری‌شان محدود و قابل درک است.
ساخت ورژن مصنوعی از هر نوع نورون کاری کاملا شدنی است، چه به حالت وسیله فیزیکی مانند چیپ یا زیرروال نرم‌افزاری.
در هر دو حالت این نورون‌های مصنوعی می‌توانند الگوهای خاصی از ورودی را در سیناپس‌های ساختگی‌شان دریافت کرده و الگوی مناسب خروجی را بازگردانند.
تا زمانی که هر نورون مصنوعی، خروجی درست را برای هر الگویی از ورودی‌ها تولید کند که ورژن اصلی هم ممکن است دریافت کند، عناصر سازنده مورد نیاز برای ساخت مغز مصنوعی را در اختیار داریم.
با وجود پیچیدگی گسترده هر نمودار سیمی مغز، حتی با تعداد قابل مدیریتی از انواع نورون هم تصور این‌که پیچیدگی زیادی خارج از درک ما وجود دارد کار آسانی است.
با این حال دلایلی وجود دارند که میتوان باور کرد پیچیدگی قابل مهار هستند.
ارتباطات بین نورون‌ها تصادفی نیستند. بلکه از قوانینی پیروی میکنند که به آسانی قابل شناسایی هستند.
برای مثال در قسمتی از مغز به نام قشر مخچه(cerebellar cortex)، نوعی نورون به نام سلول گلژي از آکسون‌های زیادی به نام mossy fibersو همچنین از آکسون‌های granule cells سیناپس دریافت می‌کند.
اینطور که به نظر می‌رسد سلول‌های گلژي همچنین می‌توانند آکسون‌ها را گسترش داده و سیناپس‌هایی را برای منع سلول‌های گلژي مجاور بسازند (همچنین سلول‌های مقابل: آنها توسط همسایه‌شان منع می‌شوند). با این اطلاعات می‌توانیم سلول‌های گلژي یک مغز مصنوعی را به هم متصل کنیم.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
به نظر می‌رسد هیچ مانعی برای درک این ساختارها وجود نداشته باشد. مبانی حاکم بر چگونگی کارشان کاملا درک شده‌اند.
سیناپس‌ها حاوی میکروماشین‌هایی با پایه پروتئین هستند که می‌توانند سیگنال‌های الکتریکی پخش شده توسط نورون‌ها را به آزادسازی مقادیر بسیار کوچکی از مواد انتقال دهنده عصبی به شکاف کوچک بین دو نورون متصل به هم تبدیل کنند.
پیوند مولکول‌های انتقال دهنده عصبی به نورون دریافت‌کننده، سیگنال‌های الکتریکی موجود در آن نورون را به سمت فعالیت جهشی‌تر (ارتباط انگیزاننده) یا به سمت فعالیت کمتر جهشی (ارتباط بازدارنده) حرکت می‌دهد.
جزئیات بسیاری درباره انواع مختلف سیناپس باقی می‌ماند، اما این وظیفه قابل مدیریت است و با موانع بزرگ نظری یا لجستیکی روبرو نیست.
در زمان مناسب، درک ما از نوع سیناپس باید تواناییش در تغییر مداوم ویژگی‌هایش هنگامی که الگوی خاصی از فعالیت‌ها اتفاق می‌افتد را نیز شامل شود.
این تغییرات که به طور کلی به عنوان انعطاف‌پذیری سیناپس معروفند، می‌توانند یک نورون را وادار کنند تا تاثیر کمتر یا بیشتری روی نورونی که به آن متصل است داشته باشد.
این‌ها واسطه یادگیری و حافظه هستند، حافظه ما توسط الگوهای خاصی از قدرت چندین تریلیون سیناپس موجود در مغزمان ذخیره می‌شوند.
این نکته حائز اهمیت است که نیاز نداریم تمامی جزئیات مولکولی از چگونگی انعطاف‌پذیری را بدانیم.
برای ساخت یک سیناپس مصنوعی مناسب، فقط نیاز داریم که قوانین حاکم بر انعطاف‌پذیریش را درک کنیم.
حتی با وجود هشتاد و شش میلیارد نورون هم انواع نورون‌ها و تعداد قوانین انعطاف‌پذیری‌شان محدود و قابل درک است.
ساخت ورژن مصنوعی از هر نوع نورون کاری کاملا شدنی است، چه به حالت وسیله فیزیکی مانند چیپ یا زیرروال نرم‌افزاری.
در هر دو حالت این نورون‌های مصنوعی می‌توانند الگوهای خاصی از ورودی را در سیناپس‌های ساختگی‌شان دریافت کرده و الگوی مناسب خروجی را بازگردانند.
تا زمانی که هر نورون مصنوعی، خروجی درست را برای هر الگویی از ورودی‌ها تولید کند که ورژن اصلی هم ممکن است دریافت کند، عناصر سازنده مورد نیاز برای ساخت مغز مصنوعی را در اختیار داریم.
با وجود پیچیدگی گسترده هر نمودار سیمی مغز، حتی با تعداد قابل مدیریتی از انواع نورون هم تصور این‌که پیچیدگی زیادی خارج از درک ما وجود دارد کار آسانی است.
با این حال دلایلی وجود دارند که میتوان باور کرد پیچیدگی قابل مهار هستند.
ارتباطات بین نورون‌ها تصادفی نیستند. بلکه از قوانینی پیروی میکنند که به آسانی قابل شناسایی هستند.
برای مثال در قسمتی از مغز به نام قشر مخچه(cerebellar cortex)، نوعی نورون به نام سلول گلژي از آکسون‌های زیادی به نام mossy fibersو همچنین از آکسون‌های granule cells سیناپس دریافت می‌کند.
اینطور که به نظر می‌رسد سلول‌های گلژي همچنین می‌توانند آکسون‌ها را گسترش داده و سیناپس‌هایی را برای منع سلول‌های گلژي مجاور بسازند (همچنین سلول‌های مقابل: آنها توسط همسایه‌شان منع می‌شوند). با این اطلاعات می‌توانیم سلول‌های گلژي یک مغز مصنوعی را به هم متصل کنیم.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
ارتباط سیناپسی بین نورون‌ها چه؟ به نظر می‌رسد هیچ مانعی برای درک این ساختارها وجود نداشته باشد. مبانی حاکم بر چگونگی کارشان کاملا درک شده‌اند. سیناپس‌ها حاوی میکروماشین‌هایی با پایه پروتئین هستند که می‌توانند سیگنال‌های الکتریکی پخش شده توسط نورون‌ها را…
تفاوت‌های مهمی بین ساخت یک مغز و ساخت مغز یک فرد خاص وجود دارد.
ما فقط وقتی نیاز داریم تمام ارتباطات خاص را بدانیم که بخواهیم کپی شخص خاصی را بسازیم.
ارتباطات خاص شما با من فرق دارد، به همین دلیل است که ما رفتارها، عکس‌العمل‌ها و تمایلات متفاوتی داریم و مخصوصا به همین دلیل است که خاطرات متفاوتی داریم.
اما ارتباطات مغز شما و من تولید شده‌اند، این ارتباطات در رحم شروع شده و در تمام زندگی ادامه دارند، از مجموعه قوانین یکسانی پیروی میکنند و با تجارب هر فرد همراه هستند.
اگر می‌خواستیم کپی از مغز شما یا خودم بسازیم، باید در مورد صدها تریلیون ارتباط خاص و ویژگی‌های همراه‌شان اطلاع می‌داشتیم و می‌توانستیم نقشه‌ای از تمامش تولید کنیم.
اما اگر فقط بخواهیم مغزی مشابه انسان بسازیم که عکس‌العمل‌ها و تمایلات خودش را داشته باشد، فقط باید قوانین اساسی را دنبال کنیم تا ارتباطات را بسازیم.
این موضوع در مورد انعطاف‌پذیری سیناپسی و خاطرات نیز صدق می‌کند.
اگر بخواهیم یک انسان را با خاطرات خاص خودش کپی کنیم، نه تنها باید همه ارتباطات خاصش را بگیریم بلکه قدرت هر رابطه نیز باید در نظر گرفته شود. اگر بخواهیم انسانی بسازیم که در طول زمان خاطرات و شخصیت خودش را بسازد، فقط نیاز داریم قوانین مناسب برای انعطاف‌پذیری در هر نوع سیناپس را بسازیم.
این کار خیلی قابل انجام‌تر از ساخت داده‌های سیناپس به سیناپس خاص است که برای ساخت ورژن مصنوعی یک فرد خاص نیاز داریم (در یک زمان مشخص در زندگی فرد).
حتی بعد از در نظر گرفتن چگونگی شکستن پیچیدگی گسترده مغز به تکه‌های قابل مدیریت، فهم چگونگی ارتباط این‌ها به رفتار، درک، احساس و خاطرات کار سختی است.
اینجا جایی است که درگیر شدن در تجارب فکری میتواند مفید باشد.
آنها تجارب فکری هستند چون نمی‌توانیم واقعا انجام‌شان دهیم، چون یا شدنی نیستند یا از دست‌مان بر نمی‌آیند و یا هر چیز دیگر.
اما فرایند تصویر سازی آنها و نتایج احتمالی‌شان میتواند مفید باشد.
اينشتین به شکل مشهوری از تجارب فکری درباره این‌که سفر روی پرتو نور چگونه خواهد بود استفاده می‌کرد تا نظراتش را روی نسبیت خاص بسط دهد.
خوشبختانه نیاز نیست انیشتین باشیم تا از تجارب فکری درباره چگونگی تفکر در مغز استفاده کنیم.
بهتر است ساده شروع کنیم، پس بیایید یک عکس‌العمل پایه‌ای را در نظر بگیریم، مانند پلک زدن چشم که در نتیجه لمس پوست اطراف چشم‌تان توسط چیزی اتفاق می‌افتد.
لمس باعث فعالیت در نورون‌های حسی می‌شود که انتهایشان در پوست است و آکسون‌هایشان را به ساقه مغز می‌فرستند، جایی که دیگر نورون‌ها را از طریق سیناپس‌های جهشی فعال میکنند. آن نورون‌ها در عوض نوع دیگری از نورون‌ها را به نام نورون حرکتی فعال میکنند که به ماهیچه‌های پلک فرستاده شده و باعث پلک زدن واکنشی می‌شود.
فرض کنید توانایی فنی برای ساخت دستگاه‌های مصنوعی را داشتیم که به اندازه کافی کوچک بودند تا جایگزین هر یک از این نورون‌ها در عکس‌العمل شوند.
آنها ورودی را دریافت می‌کردند و بر اساس قوانین کاملا مشابه مانند سه نوع نورون موجود در این عکس‌العمل خروجی را تولید می‌کردند.
وقتی پیاده‌سازی انجام می‌گرفت، عکس‌العمل دقیقا به همان گونه‌ای می‌شد که در نورون‌های واقعی بود: لمس پوست باعث ایجاد پلک زدن واکنشی می‌شود که از پلک زدن نرمال قابل تشخیص نیست.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
ما فقط وقتی نیاز داریم تمام ارتباطات خاص را بدانیم که بخواهیم کپی شخص خاصی را بسازیم.
ارتباطات خاص شما با من فرق دارد، به همین دلیل است که ما رفتارها، عکس‌العمل‌ها و تمایلات متفاوتی داریم و مخصوصا به همین دلیل است که خاطرات متفاوتی داریم.
اما ارتباطات مغز شما و من تولید شده‌اند، این ارتباطات در رحم شروع شده و در تمام زندگی ادامه دارند، از مجموعه قوانین یکسانی پیروی میکنند و با تجارب هر فرد همراه هستند.
اگر می‌خواستیم کپی از مغز شما یا خودم بسازیم، باید در مورد صدها تریلیون ارتباط خاص و ویژگی‌های همراه‌شان اطلاع می‌داشتیم و می‌توانستیم نقشه‌ای از تمامش تولید کنیم.
اما اگر فقط بخواهیم مغزی مشابه انسان بسازیم که عکس‌العمل‌ها و تمایلات خودش را داشته باشد، فقط باید قوانین اساسی را دنبال کنیم تا ارتباطات را بسازیم.
این موضوع در مورد انعطاف‌پذیری سیناپسی و خاطرات نیز صدق می‌کند.
اگر بخواهیم یک انسان را با خاطرات خاص خودش کپی کنیم، نه تنها باید همه ارتباطات خاصش را بگیریم بلکه قدرت هر رابطه نیز باید در نظر گرفته شود. اگر بخواهیم انسانی بسازیم که در طول زمان خاطرات و شخصیت خودش را بسازد، فقط نیاز داریم قوانین مناسب برای انعطاف‌پذیری در هر نوع سیناپس را بسازیم.
این کار خیلی قابل انجام‌تر از ساخت داده‌های سیناپس به سیناپس خاص است که برای ساخت ورژن مصنوعی یک فرد خاص نیاز داریم (در یک زمان مشخص در زندگی فرد).
حتی بعد از در نظر گرفتن چگونگی شکستن پیچیدگی گسترده مغز به تکه‌های قابل مدیریت، فهم چگونگی ارتباط این‌ها به رفتار، درک، احساس و خاطرات کار سختی است.
اینجا جایی است که درگیر شدن در تجارب فکری میتواند مفید باشد.
آنها تجارب فکری هستند چون نمی‌توانیم واقعا انجام‌شان دهیم، چون یا شدنی نیستند یا از دست‌مان بر نمی‌آیند و یا هر چیز دیگر.
اما فرایند تصویر سازی آنها و نتایج احتمالی‌شان میتواند مفید باشد.
اينشتین به شکل مشهوری از تجارب فکری درباره این‌که سفر روی پرتو نور چگونه خواهد بود استفاده می‌کرد تا نظراتش را روی نسبیت خاص بسط دهد.
خوشبختانه نیاز نیست انیشتین باشیم تا از تجارب فکری درباره چگونگی تفکر در مغز استفاده کنیم.
بهتر است ساده شروع کنیم، پس بیایید یک عکس‌العمل پایه‌ای را در نظر بگیریم، مانند پلک زدن چشم که در نتیجه لمس پوست اطراف چشم‌تان توسط چیزی اتفاق می‌افتد.
لمس باعث فعالیت در نورون‌های حسی می‌شود که انتهایشان در پوست است و آکسون‌هایشان را به ساقه مغز می‌فرستند، جایی که دیگر نورون‌ها را از طریق سیناپس‌های جهشی فعال میکنند. آن نورون‌ها در عوض نوع دیگری از نورون‌ها را به نام نورون حرکتی فعال میکنند که به ماهیچه‌های پلک فرستاده شده و باعث پلک زدن واکنشی می‌شود.
فرض کنید توانایی فنی برای ساخت دستگاه‌های مصنوعی را داشتیم که به اندازه کافی کوچک بودند تا جایگزین هر یک از این نورون‌ها در عکس‌العمل شوند.
آنها ورودی را دریافت می‌کردند و بر اساس قوانین کاملا مشابه مانند سه نوع نورون موجود در این عکس‌العمل خروجی را تولید می‌کردند.
وقتی پیاده‌سازی انجام می‌گرفت، عکس‌العمل دقیقا به همان گونه‌ای می‌شد که در نورون‌های واقعی بود: لمس پوست باعث ایجاد پلک زدن واکنشی می‌شود که از پلک زدن نرمال قابل تشخیص نیست.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
تفاوت‌های مهمی بین ساخت یک مغز و ساخت مغز یک فرد خاص وجود دارد. ما فقط وقتی نیاز داریم تمام ارتباطات خاص را بدانیم که بخواهیم کپی شخص خاصی را بسازیم. ارتباطات خاص شما با من فرق دارد، به همین دلیل است که ما رفتارها، عکس‌العمل‌ها و تمایلات متفاوتی داریم…
وقتی چیزی را می‌بینیم، فرایند نورونی بنیادیش ضرورتا مشابه عکس‌العمل پلک زدن است، فقظ خیلی پیچیده‌تر از آن است.
سلول‌های گیرنده نور در شبکیه چشم الگوهای نور را جذب میکنند و از طریق شبکیه نورونی در شبکیه آنها را به سیگنال‌های الکتریکی تبدیل میکنند که در نهایت توسط عصب بینایی به مغز فرستاده می‌شوند.
در آنجا بر اساس الگوی ورودی‌هایی که دریافت میکنند و قوانینی که هر نورون برای تبدیل ورودی به خروجی استفاده می‌کند، چندین لایه از نورون‌ها فعال یا منع می‌شوند.
این خروجی‌ها توسط آکسون‌ها و سیناپس‌ها حمل می‌شوند و برای دیگر بخش‌های مغز تبدیل به ورودی می‌شوند، جایی که فعالیت نورون چیزهایی مانند درک یا عکس‌العمل به صحنه‌های تصویری را کنترل می‌کند.
اگر همان فناوری نورون مصنوعی را در این شبکه بسیار پیچیده‌تر بکار بگیریم، نتایج یکسان خواهد بود.
درک ما از یک صحنه تصویری بعد از جایگزینی نورون‌های زیستی با نورون‌های مصنوعی یکسان خواهد بود.
الگوهای فعالیت یکسان خواهند بود و خروجی‌ها یکسان خواهند بود، حتی اگر فرایندهای پایه‌ای که فعالیت را در نورون‌های مصنوعی تولید میکنند کاملا با نورون‌های طبیعی متفاوت باشند.
حالا تصور کنید که تکنولوژی ما اینقدر پیشرفته نباشد.
می‌توانیم نورون‌های مصنوعی بسازیم اما نمی‌توانیم آنقدر کوچک بسازیم‌شان که در مغز جا بگیرند.
کاری که می‌توانیم به جایش بکنیم ساختن دستگاه‌هایی است که می‌توانند آزاد شدن انتقال دهنده‌های عصبی را حس کرده (از نورون‌های واقعی یا نورون‌های مصنوعی دیگر) و می‌توانند انتقال دهنده‌هایی را به عنوان خروجی به دیگر نورون‌ها (چه طبیعی یا مصنوعی) آزاد کنند.
با این حال زمانی را فرض کنید که پردازش قوانین در خروجی‌های تولید شده که مجموعه خاصی از ورودی‌ها به آنها داده شده نتوانند وارد این دستگاه فیزیکی شوند.
پس این پردازش باید در کامپیوتر انجام شود، این پردازش با سیگنال‌های وایرلسی انجام می‌گیرد که بین این کامپیوتر و دستگاه پیاده سازی شده، توسط خطوط بلوتوث بسیار پیشرفتهای رد و بدل شوند.
این تجربه فکری نشان می‌دهد که حتی با وجود پردازش واقعی از این راه هم جریان اطلاعات از طریق شبکه میتواند یکسان باشد.
هر نورون ساخته شده دقیقا طبق همان الگویی فعال می‌شود که نورون‌های واقعی فعال می‌شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
سلول‌های گیرنده نور در شبکیه چشم الگوهای نور را جذب میکنند و از طریق شبکیه نورونی در شبکیه آنها را به سیگنال‌های الکتریکی تبدیل میکنند که در نهایت توسط عصب بینایی به مغز فرستاده می‌شوند.
در آنجا بر اساس الگوی ورودی‌هایی که دریافت میکنند و قوانینی که هر نورون برای تبدیل ورودی به خروجی استفاده می‌کند، چندین لایه از نورون‌ها فعال یا منع می‌شوند.
این خروجی‌ها توسط آکسون‌ها و سیناپس‌ها حمل می‌شوند و برای دیگر بخش‌های مغز تبدیل به ورودی می‌شوند، جایی که فعالیت نورون چیزهایی مانند درک یا عکس‌العمل به صحنه‌های تصویری را کنترل می‌کند.
اگر همان فناوری نورون مصنوعی را در این شبکه بسیار پیچیده‌تر بکار بگیریم، نتایج یکسان خواهد بود.
درک ما از یک صحنه تصویری بعد از جایگزینی نورون‌های زیستی با نورون‌های مصنوعی یکسان خواهد بود.
الگوهای فعالیت یکسان خواهند بود و خروجی‌ها یکسان خواهند بود، حتی اگر فرایندهای پایه‌ای که فعالیت را در نورون‌های مصنوعی تولید میکنند کاملا با نورون‌های طبیعی متفاوت باشند.
حالا تصور کنید که تکنولوژی ما اینقدر پیشرفته نباشد.
می‌توانیم نورون‌های مصنوعی بسازیم اما نمی‌توانیم آنقدر کوچک بسازیم‌شان که در مغز جا بگیرند.
کاری که می‌توانیم به جایش بکنیم ساختن دستگاه‌هایی است که می‌توانند آزاد شدن انتقال دهنده‌های عصبی را حس کرده (از نورون‌های واقعی یا نورون‌های مصنوعی دیگر) و می‌توانند انتقال دهنده‌هایی را به عنوان خروجی به دیگر نورون‌ها (چه طبیعی یا مصنوعی) آزاد کنند.
با این حال زمانی را فرض کنید که پردازش قوانین در خروجی‌های تولید شده که مجموعه خاصی از ورودی‌ها به آنها داده شده نتوانند وارد این دستگاه فیزیکی شوند.
پس این پردازش باید در کامپیوتر انجام شود، این پردازش با سیگنال‌های وایرلسی انجام می‌گیرد که بین این کامپیوتر و دستگاه پیاده سازی شده، توسط خطوط بلوتوث بسیار پیشرفتهای رد و بدل شوند.
این تجربه فکری نشان می‌دهد که حتی با وجود پردازش واقعی از این راه هم جریان اطلاعات از طریق شبکه میتواند یکسان باشد.
هر نورون ساخته شده دقیقا طبق همان الگویی فعال می‌شود که نورون‌های واقعی فعال می‌شوند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
وقتی چیزی را می‌بینیم، فرایند نورونی بنیادیش ضرورتا مشابه عکس‌العمل پلک زدن است، فقظ خیلی پیچیده‌تر از آن است. سلول‌های گیرنده نور در شبکیه چشم الگوهای نور را جذب میکنند و از طریق شبکیه نورونی در شبکیه آنها را به سیگنال‌های الکتریکی تبدیل میکنند که در…
با این روش اگر بتوانیم یک وسیله مصنوعی به جای هر نورون در مغز جایگزین کنیم که قوانین یکسانی را با سرعت یکسان در مغز پیاده سازی کنند، دلیلی وجود ندارد که انتظار داشته باشیم رفتار آن فرد یا درک آگاهانه‌اش با چنین مغزی متفاوت باشد.
علاوه بر این هر دستگاه محاسبه مصنوعی که بتوان ساخت میتواند در یک برنامه کامپیوتری پیاده سازی شود.
این موضوع به این معنی است که در نهایت قادریم بزرگ‌ترین آزمایش تاریخ را انجام دهیم یعنی انتقال چیزی که از مغز می‌دانیم به تولید یک برنامه کامپیوتری که ذهن را پیاده سازی می‌کند.
اگرچه ضروری است بدانیم که این برنامه بیشتر از یک مغز نیاز دارد.
مغزها باید تجلی پیدا کنند تا ورودی‌های عظیمی را دریافت کنند که بدن ما به مغزمان می‌فرستد.
با عدول از دنیای رمزی تجربه فکری، دانشمندان علوم اعصاب در حال ساختن شبیه ساز کامپیوتری از قسمت‌های مختلف مغز هستند.
آنها زیرروال‌هایی ساختند که قوانین ورودی/خروجی نورون‌های واقعی را پیاده سازی می‌کند.
این زیرروال‌ها در قسمت‌هایی از حافظه کامپیوتر تفکیک می‌شوند.
تفکیک قسمت‌های زیادی از حافظه برای شبیه سازی سیستم مغز ضروری است.
هر کدام از این قسمت‌ها به کپی متفاوتی از آن نوع نورون اختصاص داده می‌شوند.
پیوستگی بین این نورون‌ها با ذخیره سازی هویت نورون‌های دیگری که به هر نورون متصل است، در این قسمت‌های حافظه پیاده سازی می‌شوند.
با این ترتیب، هر بار که یک نورون مصنوعی خروجی تولید می‌کند، قسمت‌هایی از حافظه که جریان سرازیر نورون‌ها را نگه می‌دارند می‌توانند آگاه شوند تا پردازش فعالیت‌های آن نورون‌ها بتواند به روز رسانی شود.
چنین شبیه سازی میتواند برای دانشمندان اعصاب بسیار مفید باشد.
آنها کمک میکنند تا چیزهایی را که در موقع شکست‌شان نمی‌دانیم شناسایی کنیم و به ما کمک میکنند چگونگی کار چیزها را بفهمیم و در مواقعی که درست کار میکنند به ضروری‌ترین آزمایش‌های جدید فکر کنیم.
به این ترتیب، آزمایشات می‌توانند به شبیه سازی کمک کرده و آن را بهتر کنند، حتی وقتی که شبیه سازی بتواند به طرح و درک آزمایش کمک کند.
احتمالا تا ساخت ذهن‌های مصنوعی خیلی فاصله داریم.
و در این راه مجبوریم با مسائل اخلاقی در مورد چگونگی رفتار با این موجودات ساخته نبوغ‌مان مواجه شویم.
اما برخلاف گرانش کوانتومی یا پرواز به دیگر کهکشان‌ها، هیچ مانع نظری سر راه‌مان قرار ندارد.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
اما همينجا بد نيست مقايسه اي از مغز و كامپيوتر را با هم مرور كنيم.
علاوه بر این هر دستگاه محاسبه مصنوعی که بتوان ساخت میتواند در یک برنامه کامپیوتری پیاده سازی شود.
این موضوع به این معنی است که در نهایت قادریم بزرگ‌ترین آزمایش تاریخ را انجام دهیم یعنی انتقال چیزی که از مغز می‌دانیم به تولید یک برنامه کامپیوتری که ذهن را پیاده سازی می‌کند.
اگرچه ضروری است بدانیم که این برنامه بیشتر از یک مغز نیاز دارد.
مغزها باید تجلی پیدا کنند تا ورودی‌های عظیمی را دریافت کنند که بدن ما به مغزمان می‌فرستد.
با عدول از دنیای رمزی تجربه فکری، دانشمندان علوم اعصاب در حال ساختن شبیه ساز کامپیوتری از قسمت‌های مختلف مغز هستند.
آنها زیرروال‌هایی ساختند که قوانین ورودی/خروجی نورون‌های واقعی را پیاده سازی می‌کند.
این زیرروال‌ها در قسمت‌هایی از حافظه کامپیوتر تفکیک می‌شوند.
تفکیک قسمت‌های زیادی از حافظه برای شبیه سازی سیستم مغز ضروری است.
هر کدام از این قسمت‌ها به کپی متفاوتی از آن نوع نورون اختصاص داده می‌شوند.
پیوستگی بین این نورون‌ها با ذخیره سازی هویت نورون‌های دیگری که به هر نورون متصل است، در این قسمت‌های حافظه پیاده سازی می‌شوند.
با این ترتیب، هر بار که یک نورون مصنوعی خروجی تولید می‌کند، قسمت‌هایی از حافظه که جریان سرازیر نورون‌ها را نگه می‌دارند می‌توانند آگاه شوند تا پردازش فعالیت‌های آن نورون‌ها بتواند به روز رسانی شود.
چنین شبیه سازی میتواند برای دانشمندان اعصاب بسیار مفید باشد.
آنها کمک میکنند تا چیزهایی را که در موقع شکست‌شان نمی‌دانیم شناسایی کنیم و به ما کمک میکنند چگونگی کار چیزها را بفهمیم و در مواقعی که درست کار میکنند به ضروری‌ترین آزمایش‌های جدید فکر کنیم.
به این ترتیب، آزمایشات می‌توانند به شبیه سازی کمک کرده و آن را بهتر کنند، حتی وقتی که شبیه سازی بتواند به طرح و درک آزمایش کمک کند.
احتمالا تا ساخت ذهن‌های مصنوعی خیلی فاصله داریم.
و در این راه مجبوریم با مسائل اخلاقی در مورد چگونگی رفتار با این موجودات ساخته نبوغ‌مان مواجه شویم.
اما برخلاف گرانش کوانتومی یا پرواز به دیگر کهکشان‌ها، هیچ مانع نظری سر راه‌مان قرار ندارد.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
اما همينجا بد نيست مقايسه اي از مغز و كامپيوتر را با هم مرور كنيم.
Science For Life
با این روش اگر بتوانیم یک وسیله مصنوعی به جای هر نورون در مغز جایگزین کنیم که قوانین یکسانی را با سرعت یکسان در مغز پیاده سازی کنند، دلیلی وجود ندارد که انتظار داشته باشیم رفتار آن فرد یا درک آگاهانه‌اش با چنین مغزی متفاوت باشد. علاوه بر این هر دستگاه محاسبه…
قدرت محاسباتی مغز برگرفته از ساختار به شدت موازی اش است
Liqun luo
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Liqun luo
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
قدرت محاسباتی مغز برگرفته از ساختار به شدت موازی اش است Liqun luo ✍ #دکتر_مانی_منوچهری 🌿🍂 @science4lifee
مغز بسیار پیچیده است؛ مغز انسان از حدود 86میلیارد نورون تشکیل شده که 100 تریلیون ارتباط عصبی ایجاد می کنند.
مغز را معمولا با دیگر سیستم های پیچیده که قدرت زیادی در حل مسئله دارند، مقایسه می کنند؛ با کامپیوترهای دیجیتالی.
هم مغز و هم کامپیوتر از تعداد زیادی واحد تکی – به ترتیب شامل نورون ها و ترانزیستورها- تشکیل شده اند که به شکل مداری بسیار پیچیده در هم تنیده شده اند تا اطلاعاتی را که به شکل پیام الکتریکی منتقل می شوند، پردازش کنند.
در سطح کلی ، معماری مغز و کامپیوتر شبیه یکدیگر است؛ هر دو از مدارهای مجزا برای ورود اطلاعات، خروج اطلاعات، پردازش مرکزی و حافظه تشکیل شده اند.
کدام یک توانایی بیشتری در حل مسئله دارند؛ مغز یا کامپیوتر؟
با توجه به پیشرفت های سریعی که در دهه های گذشته در زمینه تکنولوژی کامپیوتری رخ داده، شاید فکر کنید کامپیوترها برنده این میدان اند.
کامپیوترها در واقع ساخته و برنامه ریزی شدند تا در دهه 1990 در بازی های پیچیده همچون شطرنج و امروزه در Go و مسابقه های اطلاعات عمومی همچون شو تلویزیونی Jeopardy!، ارباب بشری خود را شکست دهند.
با این وجود تا این لحظه، در دنیای واقعی انسان ها در انجام بسیاری از کارها از کامپیوترها بهتر بوده اند.
از تشخیص یک دوچرخه یا یک عابر پیاده در یک خیابان شهری شلوغ گرفته تا برداشتن یک فنجان چای و حرکت آرام آن تا نزدیکی لبها؛ چه برسد به قابلیت هایی همچون مفهوم سازی و خلاقیت که کامپیوترها در آن، تقریبا حرفی برای گفتن ندارند.
چرا در برخی کارها کامپیوترها بهتر از مغز عمل می کنند و در برخی دیگر مغز بسیار کارآمدتر از کامپیوتر است؟
مقایسه کامپیوتر و مغز هم برای مهندسان کامپیوتر و هم برای دانشمندان عصب شناس بسیار آموزنده بوده است.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
مغز را معمولا با دیگر سیستم های پیچیده که قدرت زیادی در حل مسئله دارند، مقایسه می کنند؛ با کامپیوترهای دیجیتالی.
هم مغز و هم کامپیوتر از تعداد زیادی واحد تکی – به ترتیب شامل نورون ها و ترانزیستورها- تشکیل شده اند که به شکل مداری بسیار پیچیده در هم تنیده شده اند تا اطلاعاتی را که به شکل پیام الکتریکی منتقل می شوند، پردازش کنند.
در سطح کلی ، معماری مغز و کامپیوتر شبیه یکدیگر است؛ هر دو از مدارهای مجزا برای ورود اطلاعات، خروج اطلاعات، پردازش مرکزی و حافظه تشکیل شده اند.
کدام یک توانایی بیشتری در حل مسئله دارند؛ مغز یا کامپیوتر؟
با توجه به پیشرفت های سریعی که در دهه های گذشته در زمینه تکنولوژی کامپیوتری رخ داده، شاید فکر کنید کامپیوترها برنده این میدان اند.
کامپیوترها در واقع ساخته و برنامه ریزی شدند تا در دهه 1990 در بازی های پیچیده همچون شطرنج و امروزه در Go و مسابقه های اطلاعات عمومی همچون شو تلویزیونی Jeopardy!، ارباب بشری خود را شکست دهند.
با این وجود تا این لحظه، در دنیای واقعی انسان ها در انجام بسیاری از کارها از کامپیوترها بهتر بوده اند.
از تشخیص یک دوچرخه یا یک عابر پیاده در یک خیابان شهری شلوغ گرفته تا برداشتن یک فنجان چای و حرکت آرام آن تا نزدیکی لبها؛ چه برسد به قابلیت هایی همچون مفهوم سازی و خلاقیت که کامپیوترها در آن، تقریبا حرفی برای گفتن ندارند.
چرا در برخی کارها کامپیوترها بهتر از مغز عمل می کنند و در برخی دیگر مغز بسیار کارآمدتر از کامپیوتر است؟
مقایسه کامپیوتر و مغز هم برای مهندسان کامپیوتر و هم برای دانشمندان عصب شناس بسیار آموزنده بوده است.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
مغز بسیار پیچیده است؛ مغز انسان از حدود 86میلیارد نورون تشکیل شده که 100 تریلیون ارتباط عصبی ایجاد می کنند. مغز را معمولا با دیگر سیستم های پیچیده که قدرت زیادی در حل مسئله دارند، مقایسه می کنند؛ با کامپیوترهای دیجیتالی. هم مغز و هم کامپیوتر از تعداد…
کامپیوتر از نظر سرعت عملیات اصلی، از بسیاری جهات بهتر از مغز عمل می کند.
امروزه کامپیوترهای شخصی می توانند عملیات اصلی مثل جمع را با سرعت 10 میلیارد عملیات در هر ثانیه انجام دهند.
سرعت عملیات اصلی در مغز را می توان با توجه به سرعت پردازش، یعنی انتقال و ارتباط نورون ها با یکدیگر، تخمین زد.
مثلا نورون هایی که پتانسیل های عمل را به راه می اندازند و با نورون های پایین دست ارتباط برقرار می کنند.
پتانسیل عمل شامل تکانه پیام الکتریکی است که در نزدیکی جسم سلولی نورون ها تولید می شود و در امتداد زوائد بلندی که آکسون نام دارند انتقال پیدا می کند.
اطلاعات با توجه به فرکانس و زمان این تکانه ها، رمزگذاری می شوند.
بیشترین فرکانس تولید این تکانه های الکتریکی، حدود یک هزار تکانه در ثانیه است.
به عنوان یک نمونه دیگر، نورون ها عمدتا از طریق رهاسازی نوروترنسمیترهای شیمیایی، اطلاعات را به نورون های همتای خود منتقل می کنند.
این مواد شیمیایی به ساختارهای ویژه ای به نام سیناپس که در انتهای اکسون واقع شده، می ریزند و نورون های مجاور، در فرایندی که اتصال سیناپسی نامیده می شود، با نورترنسمیترها پیوند تشکیل داده و این پیوند را بار دیگر به پیام الکتریکی تبدیل می کنند. سریعترین اتصال سیناپسی حدود 1 میلی ثانیه زمان می برد.
در نتیجه با در نظرگرفتن سرعت راه اندازی تکانه ها و برقراری اتصال سیناپسی، مغز در بهترین حالت در هر ثانیه هزار عملیات اصلی را انجام می دهد که 10 میلیون بار آهسته تر از کامپیوترهاست.
کامپیوتر از نظر دقت عملیات اصلی هم نسبت به مغز بهتر عمل می کند.
کامپیوتر می تواند با هر دقت دلخواه، مقادیر (اعداد) را بر حسب بیت نشان دهد (رقم دودویی ).
بیت ها به هر عدد تعلق می گیرند. مثلا، یک عدد 32 بیتی، دقتی در حدود 1 در 2 به توان 32 یا 4.2 میلیارد دارد.
شواهد تجربی نشان می دهند که بیشتر مقادیر در سیستم عصبی (مثلا فرکانس راه اندازی پتانسیل عمل در نورون ها که معمولا از آن برای نشان دادن شدت محرک استفاده می شود)، به دلیل نویزهای زیستی، فقط چند درصد تغییرپذیری دارند.
به بیان دیگر، دقت در بهترین حال 1 در 100 است که میلیون ها بار کمتر از دقت کامپیوترهاست.
با این وجود محاسباتی که در مغز انجام می شود نه آهسته است و نه غیردقیق.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
امروزه کامپیوترهای شخصی می توانند عملیات اصلی مثل جمع را با سرعت 10 میلیارد عملیات در هر ثانیه انجام دهند.
سرعت عملیات اصلی در مغز را می توان با توجه به سرعت پردازش، یعنی انتقال و ارتباط نورون ها با یکدیگر، تخمین زد.
مثلا نورون هایی که پتانسیل های عمل را به راه می اندازند و با نورون های پایین دست ارتباط برقرار می کنند.
پتانسیل عمل شامل تکانه پیام الکتریکی است که در نزدیکی جسم سلولی نورون ها تولید می شود و در امتداد زوائد بلندی که آکسون نام دارند انتقال پیدا می کند.
اطلاعات با توجه به فرکانس و زمان این تکانه ها، رمزگذاری می شوند.
بیشترین فرکانس تولید این تکانه های الکتریکی، حدود یک هزار تکانه در ثانیه است.
به عنوان یک نمونه دیگر، نورون ها عمدتا از طریق رهاسازی نوروترنسمیترهای شیمیایی، اطلاعات را به نورون های همتای خود منتقل می کنند.
این مواد شیمیایی به ساختارهای ویژه ای به نام سیناپس که در انتهای اکسون واقع شده، می ریزند و نورون های مجاور، در فرایندی که اتصال سیناپسی نامیده می شود، با نورترنسمیترها پیوند تشکیل داده و این پیوند را بار دیگر به پیام الکتریکی تبدیل می کنند. سریعترین اتصال سیناپسی حدود 1 میلی ثانیه زمان می برد.
در نتیجه با در نظرگرفتن سرعت راه اندازی تکانه ها و برقراری اتصال سیناپسی، مغز در بهترین حالت در هر ثانیه هزار عملیات اصلی را انجام می دهد که 10 میلیون بار آهسته تر از کامپیوترهاست.
کامپیوتر از نظر دقت عملیات اصلی هم نسبت به مغز بهتر عمل می کند.
کامپیوتر می تواند با هر دقت دلخواه، مقادیر (اعداد) را بر حسب بیت نشان دهد (رقم دودویی ).
بیت ها به هر عدد تعلق می گیرند. مثلا، یک عدد 32 بیتی، دقتی در حدود 1 در 2 به توان 32 یا 4.2 میلیارد دارد.
شواهد تجربی نشان می دهند که بیشتر مقادیر در سیستم عصبی (مثلا فرکانس راه اندازی پتانسیل عمل در نورون ها که معمولا از آن برای نشان دادن شدت محرک استفاده می شود)، به دلیل نویزهای زیستی، فقط چند درصد تغییرپذیری دارند.
به بیان دیگر، دقت در بهترین حال 1 در 100 است که میلیون ها بار کمتر از دقت کامپیوترهاست.
با این وجود محاسباتی که در مغز انجام می شود نه آهسته است و نه غیردقیق.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
کامپیوتر از نظر سرعت عملیات اصلی، از بسیاری جهات بهتر از مغز عمل می کند. امروزه کامپیوترهای شخصی می توانند عملیات اصلی مثل جمع را با سرعت 10 میلیارد عملیات در هر ثانیه انجام دهند. سرعت عملیات اصلی در مغز را می توان با توجه به سرعت پردازش، یعنی انتقال…
مثلا یک بازیکن حرفه ای تنیس می تواند منحنی حرکت یک توپ تنیس را بعد از این که با سرعت بسیار بالایی در حد 160 مایل در ساعت شروع به حرکت کرد دنبال کند، خود را به نقطه درستی از زمین بازی برساند، دستش را در امتداد مسیر حرکت توپ قرار دهد و راکت را بچرخاند تا توپ را به زمین حریف برگرداند و همه این کارها را فقط ظرف چند صد میلی ثانیه انجام می دهد.
علاوه بر این، مقدار انرژی که مغز (با کمک بدنی که در کنترل مغز است) برای انجام این کارها مصرف می کند، حدودا ده برابر کمتر از انرژی مصرفی یک کامپیوتر شخصی است. مغز چه طور قادر به انجام این کار است؟
یکی از اختلافات مهم بین کامپیوتر و مغز، نحوه پردازش اطلاعات در هر یک از این سیستم هاست.
مهندسان کامپیوتر با ایجاد جریان متوالی از دستورالعمل ها، کامپیوترها را برنامه ریزی می کنند.
برای این که این توالی ادامه پیدا کند، در هر مرحله به دقت بسیار بالایی نیاز است زیرا خطاها در مراحل پی در پی، روی هم جمع می شوند و یکدیگر را تقویت می کنند.
مغز هم برای پردازش اطلاعات از مراحل متوالی و پشت سر هم استفاده می کند. در مثال بازیکن تنیس که در بالا اشاره کردیم، جریان اطلاعات از چشم به مغز و سپس از مغز به نخاع می رسد و انقباض ماهیچه ها را در پاها، تنه، بازوها و مچ دست کنترل می کند.
اما مغز از پردازش به شدت موازی هم استفاده می کند و از تعداد بسیار زیاد نورون ها و تعداد بسیار زیاد اتصالاتی که این نورون ها با یکدیگر برقرار می کنند، بهره می برد.
مثلا، توپ تنیس در حال حرکت، سلول های زیادی را در شبکیه چشم فعال می کند که گیرنده نوری نامیده می شوند و کارشان این است که نور را به پیام الکتریکی تبدیل کنند.
این پیام ها سپس به نورون های بسیار متفاوتی منتقل می شوند که به طور موازی در کنار گیرنده های نوری، در شبکیه جا خوش کرده اند.
وقتی پیام های تولید شده در سلول های گیرنده شبکیه، از 2-3 اتصال سیناپسی عبور می کنند، موقعیت، جهت و سرعت حرکت توپ توسط مدارهای نورونی موازی تخمین زده می شود و اطلاعات، به طور موازی به مغز ارسال می شود.
قشر حرکتی (بخشی از قشر مغز که مسئول کنترل حرکات ارادی است)، دستوراتی را به طور موازی می فرستد تا انقباض ماهیچه ها را در پاها، تنه، بازوها و مچ دست کنترل کند به طوری که بدن و بازوها به طور همزمان در موقعیت درست قرار می گیرند تا توپ را دریافت کنند.
مغز میتواند از این استراتژی به شدت موازی استفاده کند زیرا هر نورون داده های ورودی را از بی شمار نورون دریافت می کند و داده های خروجی را به بی شمار نورون دیگر می فرستد.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
علاوه بر این، مقدار انرژی که مغز (با کمک بدنی که در کنترل مغز است) برای انجام این کارها مصرف می کند، حدودا ده برابر کمتر از انرژی مصرفی یک کامپیوتر شخصی است. مغز چه طور قادر به انجام این کار است؟
یکی از اختلافات مهم بین کامپیوتر و مغز، نحوه پردازش اطلاعات در هر یک از این سیستم هاست.
مهندسان کامپیوتر با ایجاد جریان متوالی از دستورالعمل ها، کامپیوترها را برنامه ریزی می کنند.
برای این که این توالی ادامه پیدا کند، در هر مرحله به دقت بسیار بالایی نیاز است زیرا خطاها در مراحل پی در پی، روی هم جمع می شوند و یکدیگر را تقویت می کنند.
مغز هم برای پردازش اطلاعات از مراحل متوالی و پشت سر هم استفاده می کند. در مثال بازیکن تنیس که در بالا اشاره کردیم، جریان اطلاعات از چشم به مغز و سپس از مغز به نخاع می رسد و انقباض ماهیچه ها را در پاها، تنه، بازوها و مچ دست کنترل می کند.
اما مغز از پردازش به شدت موازی هم استفاده می کند و از تعداد بسیار زیاد نورون ها و تعداد بسیار زیاد اتصالاتی که این نورون ها با یکدیگر برقرار می کنند، بهره می برد.
مثلا، توپ تنیس در حال حرکت، سلول های زیادی را در شبکیه چشم فعال می کند که گیرنده نوری نامیده می شوند و کارشان این است که نور را به پیام الکتریکی تبدیل کنند.
این پیام ها سپس به نورون های بسیار متفاوتی منتقل می شوند که به طور موازی در کنار گیرنده های نوری، در شبکیه جا خوش کرده اند.
وقتی پیام های تولید شده در سلول های گیرنده شبکیه، از 2-3 اتصال سیناپسی عبور می کنند، موقعیت، جهت و سرعت حرکت توپ توسط مدارهای نورونی موازی تخمین زده می شود و اطلاعات، به طور موازی به مغز ارسال می شود.
قشر حرکتی (بخشی از قشر مغز که مسئول کنترل حرکات ارادی است)، دستوراتی را به طور موازی می فرستد تا انقباض ماهیچه ها را در پاها، تنه، بازوها و مچ دست کنترل کند به طوری که بدن و بازوها به طور همزمان در موقعیت درست قرار می گیرند تا توپ را دریافت کنند.
مغز میتواند از این استراتژی به شدت موازی استفاده کند زیرا هر نورون داده های ورودی را از بی شمار نورون دریافت می کند و داده های خروجی را به بی شمار نورون دیگر می فرستد.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
مثلا یک بازیکن حرفه ای تنیس می تواند منحنی حرکت یک توپ تنیس را بعد از این که با سرعت بسیار بالایی در حد 160 مایل در ساعت شروع به حرکت کرد دنبال کند، خود را به نقطه درستی از زمین بازی برساند، دستش را در امتداد مسیر حرکت توپ قرار دهد و راکت را بچرخاند تا توپ…
در پستانداران به طور میانگین، تعداد پیام های ورودی و خروجی به هر نورون حدودا برابر با یک هزار پیام است. (در مقابل هر ترانزیستور برای داده های ورودی و خروجی بر روی هم فقط سه گره دارد).
اطلاعات هر نورون می تواند به طور موازی به تعداد زیادی نورون دیگر منتقل شود. در عین حال، بسیاری نورون ها که اطلاعات مشابهی را پردازش می کنند، می توانند اطلاعات ورودی خود را به نورون های پایین دستی موازی منتقل کنند.
این ویژگی، دقت پردازش اطلاعات را به میزان قابل توجهی افزایش می دهد.
مثلا ممکن است اطلاعاتی که از یک نورون تکی دریافت می شود، کمی اشکال داشته باشد (گفتیم نورون ها با دقت 1 در 100 کار می کنند).
وقتی به طور میانگین، اطلاعات ورودی از 100 نورون دیگر که حاوی همان اطلاعات هستند، انتقال می یاید، نورون های پایین دستی می توانند اطلاعات را با دقت بسیار بیشتری دریافت کنند ( در این مورد این دقت خيلي بالاتر حدود 1 در 1000است).
کامپیوتر و مغز از نظر وضعیت انتقال پیام در واحدهای سازنده شان نیز اختلاف ها و شباهت هایی با هم دارند.
ترانزیستورها برای نشان دادن اطلاعات، از روش دیجیتالی استفاده می کنند که از مقادیر گسسته تشکیل شده است .
تکانه ها در اکسون نورونی یک پیام دیجیتالی محسوب می شود زیرا در هر لحظه، کارکرد نورون از دو حالت خارج نیست؛ تکانه را به راه می اندازد یا به راه نمی اندازد و وقتی تکانه به راه می افتد، همه تكانه ها تقریبا اندازه و شکل مشابهی دارند.
این ویژگی کمک می کند تکانه بتواند مسافتهای زیادی را در طول اکسون طی کند.
با این حال، نورون ها از پیام رسانی آنالوگ هم استفاده می کنند.
در این روش برای نمایش اطلاعات از مقادیر پیوسته استفاده می شود.
بعضی نورون ها (مثل بیشتر نورون هایی که در شبکیه فعال اند)، تکانه ایجاد نمی کنند و اطلاعات خروجی شان با استفاده از پیام های الکتریکی مدرج منتقل می شود (که برخلاف تکانه ها، می توانند از نظر اندازه بسیار پیوسته باشند).
این پیام ها در مقایسه با تکانه ها، اطلاعات بیشتری را جابه جا می کنند.
انتهای دریافت کننده نورون ها (دریافت پیام معمولا در دندریت ها صورت می گیرد) نیز از پیام رسانی به شیوه آنالوگ استفاده می کنند تا بیش از هزار داده ورودی را بگیرند.
این کار به دندریت ها امکان می دهد محاسبات پیچیده را انجام دهند.
یکی دیگر از خصوصیات برجسته مغز، که در مثال بازیکن تنیس نقش مهمی در بازگرداندن سرویس دارد، این است که قدرت ارتباط بین نورون ها در پاسخ به فعالیت و دست ورزی بیشتر، تقویت می شود؛ فرایندی که دانشمندان علوم عصبی آن را مبنای یادگیری و حافظه می دانند.
آموزش مکرر، مدارات نورونی را قادر می سازد برای انجام وظایف شان پیکربندی بهتری ایجاد کنند، در نتیجه سرعت و دقت مغز به میزان قابل توجهی افزایش پیدا می کند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
اطلاعات هر نورون می تواند به طور موازی به تعداد زیادی نورون دیگر منتقل شود. در عین حال، بسیاری نورون ها که اطلاعات مشابهی را پردازش می کنند، می توانند اطلاعات ورودی خود را به نورون های پایین دستی موازی منتقل کنند.
این ویژگی، دقت پردازش اطلاعات را به میزان قابل توجهی افزایش می دهد.
مثلا ممکن است اطلاعاتی که از یک نورون تکی دریافت می شود، کمی اشکال داشته باشد (گفتیم نورون ها با دقت 1 در 100 کار می کنند).
وقتی به طور میانگین، اطلاعات ورودی از 100 نورون دیگر که حاوی همان اطلاعات هستند، انتقال می یاید، نورون های پایین دستی می توانند اطلاعات را با دقت بسیار بیشتری دریافت کنند ( در این مورد این دقت خيلي بالاتر حدود 1 در 1000است).
کامپیوتر و مغز از نظر وضعیت انتقال پیام در واحدهای سازنده شان نیز اختلاف ها و شباهت هایی با هم دارند.
ترانزیستورها برای نشان دادن اطلاعات، از روش دیجیتالی استفاده می کنند که از مقادیر گسسته تشکیل شده است .
تکانه ها در اکسون نورونی یک پیام دیجیتالی محسوب می شود زیرا در هر لحظه، کارکرد نورون از دو حالت خارج نیست؛ تکانه را به راه می اندازد یا به راه نمی اندازد و وقتی تکانه به راه می افتد، همه تكانه ها تقریبا اندازه و شکل مشابهی دارند.
این ویژگی کمک می کند تکانه بتواند مسافتهای زیادی را در طول اکسون طی کند.
با این حال، نورون ها از پیام رسانی آنالوگ هم استفاده می کنند.
در این روش برای نمایش اطلاعات از مقادیر پیوسته استفاده می شود.
بعضی نورون ها (مثل بیشتر نورون هایی که در شبکیه فعال اند)، تکانه ایجاد نمی کنند و اطلاعات خروجی شان با استفاده از پیام های الکتریکی مدرج منتقل می شود (که برخلاف تکانه ها، می توانند از نظر اندازه بسیار پیوسته باشند).
این پیام ها در مقایسه با تکانه ها، اطلاعات بیشتری را جابه جا می کنند.
انتهای دریافت کننده نورون ها (دریافت پیام معمولا در دندریت ها صورت می گیرد) نیز از پیام رسانی به شیوه آنالوگ استفاده می کنند تا بیش از هزار داده ورودی را بگیرند.
این کار به دندریت ها امکان می دهد محاسبات پیچیده را انجام دهند.
یکی دیگر از خصوصیات برجسته مغز، که در مثال بازیکن تنیس نقش مهمی در بازگرداندن سرویس دارد، این است که قدرت ارتباط بین نورون ها در پاسخ به فعالیت و دست ورزی بیشتر، تقویت می شود؛ فرایندی که دانشمندان علوم عصبی آن را مبنای یادگیری و حافظه می دانند.
آموزش مکرر، مدارات نورونی را قادر می سازد برای انجام وظایف شان پیکربندی بهتری ایجاد کنند، در نتیجه سرعت و دقت مغز به میزان قابل توجهی افزایش پیدا می کند.
✍ #دکتر_مانی_منوچهری
🌿🍂 @science4lifee
Science For Life
در پستانداران به طور میانگین، تعداد پیام های ورودی و خروجی به هر نورون حدودا برابر با یک هزار پیام است. (در مقابل هر ترانزیستور برای داده های ورودی و خروجی بر روی هم فقط سه گره دارد). اطلاعات هر نورون می تواند به طور موازی به تعداد زیادی نورون دیگر منتقل…
در طول چند دهه گذشته، مهندسان از مغز برای طراحی کامپیوترها الهام گرفته اند.
اصول و قواعد پردازش موازی و بهبود ارتباطات مغزی بر اثراستفاده مداوم در کامپیوترهای مدرن پیاده شده است.
مثلا امروزه در کامپیوترها، از پردازشگرها (هسته های) متعددی استفاده می شود تا خاصیت توازی افزایش پیدا کند.
به عنوان یک مثال دیگر از این روند می توان به «یادگیری عمیق» در یادگیری ماشین و هوش مصنوعی اشاره کرد که در سال های اخیر به موفقیت های بزرگی دست یافته و در زمینه تشخیص سوژه و تشخیص گفتار در کامپیوترها و موبایل ها، پیشرفت سریعی داشته است.
این فناوری با الهام از یافته های جدید پیرامون سیستم بینایی پستانداران شکل گرفته است.
در سیستم بینایی پستانداران، یادگیری عمیق از چندین لایه متعدد بهره می گیرد تا خصوصیات آبستره (مثلا اجسام بصری یا گفتار را به خوبی نشان دهد) و وزن ارتباطات بین لایه های مختلف، به جای این که توسط مهندسان طراحی شود، از طریق یادگیری تنظیم می گردد.
این پیشرفتهای جدید، دامنه وظایفی که کامپیوترها از عهده آن برمی آیند را بسیار گسترده تر کرده است.
با این حال مغز هنوز هم از نظر انعطاف پذیری، تعمیم پذیری و توانایی یادگیری از پیشرفته ترین کامپیوترها بهتر عمل می کند.
تا زمانی که دانشمندان علوم اعصاب از رازهای بیشتری در مورد مغز پرده برمی دارند (که تا حد زیادی با استفاده از کامپیوترهاست)، مهندسان می توانند از کارکرد مغز الهام بگیرند و معماری و عملکرد کامپیوترهای نسل جدید را بهبود ببخشند.
هر کدام از این دو به عنوان برنده از این مسابقه بیرون بیاید فرقی نمیکند در هر حال این دو حوزه به بارورسازی هم کمک می کند و این بدون شک، هم دانشمندان علوم اعصاب و هم مهندسان کامپیوتر را به جلو پیش خواهد برد.
✍ #دکتر_مانی_منوچهری
#پایان
🌿🍂 @science4lifee
اصول و قواعد پردازش موازی و بهبود ارتباطات مغزی بر اثراستفاده مداوم در کامپیوترهای مدرن پیاده شده است.
مثلا امروزه در کامپیوترها، از پردازشگرها (هسته های) متعددی استفاده می شود تا خاصیت توازی افزایش پیدا کند.
به عنوان یک مثال دیگر از این روند می توان به «یادگیری عمیق» در یادگیری ماشین و هوش مصنوعی اشاره کرد که در سال های اخیر به موفقیت های بزرگی دست یافته و در زمینه تشخیص سوژه و تشخیص گفتار در کامپیوترها و موبایل ها، پیشرفت سریعی داشته است.
این فناوری با الهام از یافته های جدید پیرامون سیستم بینایی پستانداران شکل گرفته است.
در سیستم بینایی پستانداران، یادگیری عمیق از چندین لایه متعدد بهره می گیرد تا خصوصیات آبستره (مثلا اجسام بصری یا گفتار را به خوبی نشان دهد) و وزن ارتباطات بین لایه های مختلف، به جای این که توسط مهندسان طراحی شود، از طریق یادگیری تنظیم می گردد.
این پیشرفتهای جدید، دامنه وظایفی که کامپیوترها از عهده آن برمی آیند را بسیار گسترده تر کرده است.
با این حال مغز هنوز هم از نظر انعطاف پذیری، تعمیم پذیری و توانایی یادگیری از پیشرفته ترین کامپیوترها بهتر عمل می کند.
تا زمانی که دانشمندان علوم اعصاب از رازهای بیشتری در مورد مغز پرده برمی دارند (که تا حد زیادی با استفاده از کامپیوترهاست)، مهندسان می توانند از کارکرد مغز الهام بگیرند و معماری و عملکرد کامپیوترهای نسل جدید را بهبود ببخشند.
هر کدام از این دو به عنوان برنده از این مسابقه بیرون بیاید فرقی نمیکند در هر حال این دو حوزه به بارورسازی هم کمک می کند و این بدون شک، هم دانشمندان علوم اعصاب و هم مهندسان کامپیوتر را به جلو پیش خواهد برد.
✍ #دکتر_مانی_منوچهری
#پایان
🌿🍂 @science4lifee
Forwarded from اتچ بات
پروژه منهتن
قبل از جنگ یک دانشمند و تعدادی دانشجو با داشتن یک لابراتوار کوچک و اندکی سرمایه به دنبال تحقیق بر روی موضوعات مختلف و هدف آنها کشف چگونگی کارکرد این عوامل در طبیعت بود و هیچگاه به آن از دیدگاه ابزاری نگاه نمی کردند و اگر هم چنین دیدگاهی وجود داشت در جهت رفاه و پیشرفت جوامع بشری بود.
با شروع جنگ تمام سرمایه ها با پشتوانه نیروهای نظامی به سوی تحقیقات در زمینه های نظامی و تسلیحاتی گسیل یافت و شبانه روز به دنبال کشف پدیده های مختلف علمی و کاربرد آن در جنگ بودند.
جنگ جهانی دوم
به طور مثال در ساخت بمب اتم به نام پروژه منهتن هزاران دانشمند در زمینه فیزیک،ریاضی و مهندسی گردآورده شدند و با پشتوانه سنگین مالی، اقدام به تحقیقات گسترده در این مورد نمودند.( نزدیک به 130 هزار نفر در این پروژه مشارکت داشتند که رهبری آن بر عهده ژنرال لسیل گرو و با همکاری دانشمند فیزیک هسته ای روبرت اوپنهایمر بین سالهای 1939 تا 1946 انجام شد .)
هدف تنها کشف چگونگی کارکرد مواد رادیواکتیو در طبیعت نبود بلکه آنها اولویت خود را استفاده ابزاری از آن در جنگ قرار داده بودند.
تلاشها در کمترین زمان که ممکن بود برای یک دانشمند سالها به طول انجامد به بار نشسته و اولین بمب اتمی ساخته و با موفقیت آزمایش شد .(اولین بمب اتمی در 16 جولای 1945 ساخته و در صحرای نیومکزیکو آزمایش و یک ماه بعد دو بمب بر فراز شهرهای هیروشیما و ناکازاکی انداخته شد.)
با استفاده از این نوع بمب در ژاپن هزاران جان گرفته شد و دو شهر به طور کامل نابود شد و حتی اکنون نیز این مناطق تحت تاثیرات جانبی آن قرار دارند.
پروژه منهتن تنها نمونه ای است که بدین گونه علم و دانشمندان به تسخیر جنگ و مردان جنگی درآمدند.
D.rDavid mindell of MIT
👤Mike nobdy
🌿🍂 @science4lifee
قبل از جنگ یک دانشمند و تعدادی دانشجو با داشتن یک لابراتوار کوچک و اندکی سرمایه به دنبال تحقیق بر روی موضوعات مختلف و هدف آنها کشف چگونگی کارکرد این عوامل در طبیعت بود و هیچگاه به آن از دیدگاه ابزاری نگاه نمی کردند و اگر هم چنین دیدگاهی وجود داشت در جهت رفاه و پیشرفت جوامع بشری بود.
با شروع جنگ تمام سرمایه ها با پشتوانه نیروهای نظامی به سوی تحقیقات در زمینه های نظامی و تسلیحاتی گسیل یافت و شبانه روز به دنبال کشف پدیده های مختلف علمی و کاربرد آن در جنگ بودند.
جنگ جهانی دوم
به طور مثال در ساخت بمب اتم به نام پروژه منهتن هزاران دانشمند در زمینه فیزیک،ریاضی و مهندسی گردآورده شدند و با پشتوانه سنگین مالی، اقدام به تحقیقات گسترده در این مورد نمودند.( نزدیک به 130 هزار نفر در این پروژه مشارکت داشتند که رهبری آن بر عهده ژنرال لسیل گرو و با همکاری دانشمند فیزیک هسته ای روبرت اوپنهایمر بین سالهای 1939 تا 1946 انجام شد .)
هدف تنها کشف چگونگی کارکرد مواد رادیواکتیو در طبیعت نبود بلکه آنها اولویت خود را استفاده ابزاری از آن در جنگ قرار داده بودند.
تلاشها در کمترین زمان که ممکن بود برای یک دانشمند سالها به طول انجامد به بار نشسته و اولین بمب اتمی ساخته و با موفقیت آزمایش شد .(اولین بمب اتمی در 16 جولای 1945 ساخته و در صحرای نیومکزیکو آزمایش و یک ماه بعد دو بمب بر فراز شهرهای هیروشیما و ناکازاکی انداخته شد.)
با استفاده از این نوع بمب در ژاپن هزاران جان گرفته شد و دو شهر به طور کامل نابود شد و حتی اکنون نیز این مناطق تحت تاثیرات جانبی آن قرار دارند.
پروژه منهتن تنها نمونه ای است که بدین گونه علم و دانشمندان به تسخیر جنگ و مردان جنگی درآمدند.
D.rDavid mindell of MIT
👤Mike nobdy
🌿🍂 @science4lifee
Telegram
attach 📎
Forwarded from Scientific Skepticism (Yaser)
📝 اگر قرار باشد در یک فاجعه تمام دانش علمی نابود شود و تنها یک جمله به نسل بعدی موجودات منتقل شود، کدام گزاره بیشترین اطلاعات را با کمترین واژگان در بر خواهد داشت؟
به باور من این که ... همه چیز از اتم‌ها ساخته شده است - ذرات کوچکی که دائما در حرکت هستند و هرگاه اندکی از هم فاصله بگیرند همدیگر را جذب میکنند و اگر به هم فشرده شوند یکدیگر را پس می‌زنند.
✍️ ریچارد فاینمن
https://t.me/LiberalScientists
به باور من این که ... همه چیز از اتم‌ها ساخته شده است - ذرات کوچکی که دائما در حرکت هستند و هرگاه اندکی از هم فاصله بگیرند همدیگر را جذب میکنند و اگر به هم فشرده شوند یکدیگر را پس می‌زنند.
✍️ ریچارد فاینمن
https://t.me/LiberalScientists
Forwarded from ساوُش
Forwarded from ساوُش
saavosh01.pdf
7.3 MB
Forwarded from اتچ بات
علم و تکنولوژی در جنگ جهانی، دریچه ای تازه در روش های نوین آموزش
یکی از مهمترین گامهای علم و تکنولوژی در طول جنگ جهانی دوم بحث پیشرفت در تعلیم و آموزش بوده است.
در طول جنگ هزاران ابزار و ادوات و سلاحهای مختلف ساخته شد و حتی روشهای نوینی در پزشکی نیز بوجود آمد اما همه این موارد به آموزش سریع و درست به کاربران نیاز داشت.
تکنولوژی و علم در بحث آموزش نیز به کمک آمد و با ساخت پروژکتورهای قدرتمند و استفاده از تصاویر متحرک و همچنین شبیه سازها امکان آموزش سریع و صحیح را به زنان و مردان داد چیزی شبیه به تکنولوژی مدرن آموزشی مانند پاورپوینت که امروزه از آن استفاده می شود.
هنگامی که یکی از ژنرالهای آلمانی به اسارت گرفته شد در سخنان خود اینگونه بیان کرد که این مورد عجیب و شگفت آور نبود که دشمنان ما همه امکانات را برای ساخت تسلیحات و ابزارها و روشهای مختلف بسیج خواهند کرد اما چیزی که ما را شگفت زده کرد که ما در مورد آن ناتوان بودیم ،آموزش سریع کاربرد این دستاوردها به کاربران بود .
این تجربه آموزش بعد از جنگ در سطوح مختلف مورد استفاده قرار گرفت که بخشی از پیشرفتهای ایالات متحده و کشورهایی مانند آن مدیون این نوع سیستم آموزشی است.
D.rDavid mindell of MIT
👤Mike nobdy
🌿🍂 @science4lifee
یکی از مهمترین گامهای علم و تکنولوژی در طول جنگ جهانی دوم بحث پیشرفت در تعلیم و آموزش بوده است.
در طول جنگ هزاران ابزار و ادوات و سلاحهای مختلف ساخته شد و حتی روشهای نوینی در پزشکی نیز بوجود آمد اما همه این موارد به آموزش سریع و درست به کاربران نیاز داشت.
تکنولوژی و علم در بحث آموزش نیز به کمک آمد و با ساخت پروژکتورهای قدرتمند و استفاده از تصاویر متحرک و همچنین شبیه سازها امکان آموزش سریع و صحیح را به زنان و مردان داد چیزی شبیه به تکنولوژی مدرن آموزشی مانند پاورپوینت که امروزه از آن استفاده می شود.
هنگامی که یکی از ژنرالهای آلمانی به اسارت گرفته شد در سخنان خود اینگونه بیان کرد که این مورد عجیب و شگفت آور نبود که دشمنان ما همه امکانات را برای ساخت تسلیحات و ابزارها و روشهای مختلف بسیج خواهند کرد اما چیزی که ما را شگفت زده کرد که ما در مورد آن ناتوان بودیم ،آموزش سریع کاربرد این دستاوردها به کاربران بود .
این تجربه آموزش بعد از جنگ در سطوح مختلف مورد استفاده قرار گرفت که بخشی از پیشرفتهای ایالات متحده و کشورهایی مانند آن مدیون این نوع سیستم آموزشی است.
D.rDavid mindell of MIT
👤Mike nobdy
🌿🍂 @science4lifee
Telegram
attach 📎