چشمانداز ذهن: چیستی و چگونگی
فکر کردن با هدف ایدهپردازیِ صرف، میتواند خطرناک باشد
نه به این دلیل که اندیشیدن ماهیتن خطرناک است، بلکه به این دلیل که ذهن میتواند مجموعهای از افکار بسازد که در درون خودش کاملاً منسجم و معنادار به نظر میرسد. منظومهای از ایدهها که هر جزء آن، اجزای دیگر را بهخوبی توضیح میدهد؛ اما وقتی آن را با واقعیت بیرونی مواجه میکنیم، نقاط ضعف آن آشکار میشود.
میخواهیم ذهن را مطالعه کنیم، و ابزار ما برای این مطالعه، خود ذهن است
دربارهی جهان بیرون میتوانیم به مشاهده، آزمایش و اندازهگیری بپردازیم، اما در مطالعه مفاهیمی مانند معنا، خویشتن و خودآگاهی این خطر وجود دارد که بهجای کشف واقعیت، صرفن به تصویری منسجم از پیشفرضهای خودمان برسیم؛ جهانی که در آن همه سوالات به خوبی پاسخ داده شده اند تا زمانی که با واقعیت مواجهه داده شوند.
برای مدت بسیار طولانی، یکی از دشواریهای اساسی مطالعهی ذهن این بود که نقاط اتصال کافی میان آنچه درون ذهن تجربه میکنیم با پدیده ای ملموس، قابل مشاهده و اندازه گیری در دنیای بیرون از ذهن نداشتیم. اما شاید فناوریهای جدید یادگیری ماشین و یادگیری عمیق، امکانی تازه در اختیار ما گذاشته باشند.
پدیدههای انتزاعی به دلیل ماهیت خطی و متوالی زبان، به دشواری مطالعه و فهم میشوند
ذهن، بهعنوان پیچیدهترین پدیده انتزاعی، نیازمند ابزاری فراتر از توصیفات کلامی است. «تصویرسازی» (Visualization) به ما اجازه میدهد همزمان به حجم وسیعی از اطلاعات در سطوح پایینتر انتزاع دسترسی یابیم. از این رو، من «ذهن» را نه بهعنوان یک خط سیر، بلکه به مثابهی یک اقلیمِ بصری یا Mindscape ترسیم میکنم تا پیچیدگیهای پنهان آن در دیدرس قرار گیرد.
جهانِ یادگیری ماشینها جهانی با ابعادِ بالاست (درمقابل جهانِ ما با سه بعد + بعد چهارم یعنی زمان)
پس مختصات هر نقطه در این جهان با بسیار بیشتر از 3 عدد مشخص میشود. مفهوم مقدار زیان (Loss Value) یعنی میزان اختلاف میان مختصات فعلی و مختصات مطلوب؛ با ترسیم تمامی حالات ممکن برای حرکت از مختصات فعلی به سمت مختصات مطلوب، به سطحی پیوسته به نام چشمانداز زیان (Loss Landscape) دست مییابیم. این توپوگرافی، نمایشی بصری از مورفولوژی و دینامیکِ "احتمالات" است؛ جستجوی بهینهترین مسیر برای عبور از قلههای پرهزینه (و کمترین احتمال) و رسیدن به درههای بهینگی (و بیشترین احتمال)، جایی که بقا و کارآمدی انرژی (گلوکز/ توان محاسباتی سیستم شناختی) تضمین شدهاست.
فرض کنیم بهجای پارامترهای یک شبکهی عصبی، با مجموعهای از عوامل درونی مواجهیم:
خاطرات، باورها، تجربهها، ترسها، امیال، پیشفرضها، انتظارات، شیوههای تفسیر، عادتهای فکری و بیشمار رابطهی میان آنها. هیچکدام از این عناصر بهتنهایی معنا ایجاد نمیکنند. آنچه اهمیت دارد، نحوهی تعامل آنها نسبت به یکدیگر است. در این مدل ذهن دیگر مجموعهای از "افکار جداگانه" نیست، بلکه یک چشمانداز خواهد بود.
در مدل Mindscape، هر گوی در تصویر نماد یک «حالت ذهنی» (Mental State) است. این چشمانداز، طیفی از تمامی احتمالات پیرامون وضعیت فعلی ذهن ما را به تصویر میکشد و ساختار هندسیِ باورها و الگوهای شناختی ما را به شکلی ملموستر از همیشه بازنمایی میکند.
چهار ایده برای نگاه به ذهن
ذهن یک منظومه است
خاطرات، باورها، ترسها، امیال، انتظارها و شیوههای تفسیر، بهصورت جداگانه ذهن را نمیسازند؛ آنچه اهمیت دارد، رابطهی میان آنهاست.
آنچه میبینیم، تمام واقعیت نیست
هر تصویری از یک سیستم پیچیده با ابعاد بالا، نوعی برش از فضای اصلی آن است. Mindscape نیز ادعای نمایش کامل ذهن را ندارد؛ فقط زاویهای برای دیدن آن پیشنهاد میکند.
مسیرها اهمیت دارند
ذهن در وضعیتهای مشخص و ساکن قرار نمیگیرد؛ بلکه به صورت مداوم میان آنها در حرکت است. بعضی مسیرها بارها پیموده میشوند و بعضی تا همیشه ناشناخته باقی میمانند.
واقعیت، آزمون مدل است
یک مدل ذهنی صرفن به این دلیل که در درون خودش منسجم است، لزومن مدل خوبی نیست. نتایج برخورد آن با واقعیت، معیار مهمتری برای سنجش آن است.
پیچیدگی
یادگیری عمیق نشان داده حتا سیستمهایی با تعداد عظیمی از متغیرها، از طریق نتایجشان، تغییر مسیرهایشان و برشهایی از فضای با ابعاد بالاشان قابل مطالعهاند. افزایش ابعاد به معنای غیرقابلفهمتر شدن سیستم نیست. همین ابعاد بالا هستند که خلق معناهای گوناگون را ممکن میسازند و فضای بیشتری برای یافتن راهحلهای مناسب ایجاد کنند؛ ایدهای که در ادبیات یادگیری عمیق با عنوان blessing of dimensionality شناخته میشود. همان پیچیدگیای که فهم ذهن را دشوار کردهاست، ظرفیت تغییر، سازگاری و پیدا کردن مسیرهای تازه از معنا را ممکن ساختهاست.