Neuroscience for Artificial Intelligence
Huijue Jia
ترجمه:
علوم اعصاب برای هوش مصنوعی
تبیین:
عبارت “Neuroscience for Artificial Intelligence” به معنای بهره‌گیری از دانش علوم اعصاب (Neuroscience) برای طراحی، توسعه و بهبود سامانه‌های هوش مصنوعی (Artificial Intelligence) است.
در این رویکرد، پژوهشگران تلاش می‌کنند با الهام گرفتن از ساختار مغز انسان، عملکرد نورون‌ها (Neurons)، و سازوکارهای یادگیری عصبی (Neural Learning Mechanisms)، الگوریتم‌ها و معماری‌های مؤثرتری برای هوش مصنوعی طراحی کنند.
به عنوان نمونه، شبکه‌های عصبی مصنوعی (Artificial Neural Networks)، الهام‌گرفته از نحوه اتصال نورون‌ها در مغز هستند. همچنین، مفاهیمی مانند Plasticity (انعطاف‌پذیری سیناپسی)، Attention Mechanisms (سازوکار توجه)، و Memory Models (مدل‌های حافظه)، مستقیماً از علوم اعصاب گرفته شده و به پیشرفت هوش مصنوعی کمک کرده‌اند.
در یک جمله:
این عبارت نشان‌دهنده‌ی رابطه‌ی علمی و الهام‌بخش بین درک مغز انسان و خلق هوش مصنوعی شبیه‌انسان است؛ یعنی استفاده از دانش عصب‌شناسی برای ساختن ماشین‌هایی که مانند انسان می‌آموزند، فکر می‌کنند و تصمیم می‌گیرند.
Contents
فهرست
Preface
دو بخش رایج کتاب‌های علمی یا دانشگاهی: “Preface” و “Acknowledgments” ا
ترجمه: پیشگفتار
تبیین:
بخش پیشگفتار (Preface) معمولاً مقدمه‌ای شخصی یا کلی بر کتاب است که نویسنده در آن درباره انگیزه تألیف، هدف اصلی، مسیر نگارش و ساختار کلی اثر توضیح می‌دهد. این بخش می‌تواند شامل موضوعاتی مانند مشکلات علمی موجود، دلیل انتخاب موضوع، اهمیت محتوای کتاب، و پیشنهاداتی برای نحوه استفاده از آن توسط خواننده (مثلاً دانشجویان یا پژوهشگران) باشد.
Acknowledgments
ترجمه: سپاسگزاری‌ها / قدردانی‌ها
تبیین:
بخش سپاسگزاری‌ها (Acknowledgments) محلی است برای قدردانی رسمی نویسنده از افرادی که در مسیر تولید اثر نقش داشته‌اند. این افراد می‌توانند شامل اساتید، همکاران علمی، مؤسسات پژوهشی، خانواده، دوستان یا ناشر باشند. گاه نویسنده از حمایت مالی سازمان‌های علمی یا پژوهشی نیز در این بخش یاد می‌کند.
۱. Evolving under Constraints
۱.۱ An Evolutionary Continuum
۱.۲ Overall Structure of the Brain
۱.۳ Number of Neurons and Their Connections
۱.۴ Fuel for the Brain
۱.۵ Summary
در ادامه، ترجمه و تبیین دقیق و علمی بخش‌های فصل «Evolving under Constraints» از یک منبع علمی در حوزه علوم اعصاب (Neuroscience) و تکامل مغز ارائه شده است. عنوان اصلی فصل به معنای «تکامل در چارچوب محدودیت‌ها» است که به نحوه شکل‌گیری مغز در طی تکامل و محدودیت‌های زیستی-فیزیولوژیکی آن می‌پردازد:
۱. تکامل در چارچوب محدودیت‌ها (Evolving under Constraints)
تبیین:
در این فصل، نویسنده بررسی می‌کند که چگونه مغز موجودات زنده به ویژه انسان در طول فرایند تکامل (Evolution)، علی‌رغم وجود محدودیت‌های زیستی، انرژی‌زا، ساختاری و ژنتیکی، توانسته رشد و پیچیدگی قابل‌توجهی پیدا کند. این محدودیت‌ها نقش تعیین‌کننده‌ای در شکل، اندازه و عملکرد مغز دارند.
۱.۱ یک پیوستار تکاملی (An Evolutionary Continuum)
تبیین:
در این بخش به این نکته اشاره می‌شود که تکامل مغز در یک پیوستار (Continuum) شکل گرفته، به این معنا که مرز روشنی بین گونه‌ها وجود ندارد و مغزها به‌تدریج با تغییرات جزئی ژنتیکی و محیطی رشد یافته‌اند. ساختارهای ابتدایی در مغز موجودات ساده‌تر، پایه‌ای برای ساختارهای پیچیده‌تر در گونه‌های پیشرفته‌تر بوده‌اند.
۱.۲ ساختار کلی مغز (Overall Structure of the Brain)
تبیین:
این قسمت به توصیف اجزای اصلی مغز، از جمله کورتکس (Cortex)، مخچه (Cerebellum)، ساقه مغز (Brainstem) و ارتباط آنها با عملکردهای مختلف عصبی می‌پردازد. در اینجا همچنین به تمایز میان ساختارهای قدیمی‌تر (مانند مغز خزندگان) و ساختارهای پیشرفته‌تر در انسان پرداخته می‌شود.
۱.۳ تعداد نورون‌ها و اتصالات آنها (Number of Neurons and Their Connections)
تبیین:
در این بخش، داده‌هایی در مورد تعداد تقریبی نورون‌ها (Neurons) در مغز انسان و سایر گونه‌ها ارائه می‌شود. مغز انسان حدود ۸۶ میلیارد نورون دارد که با تریلیون‌ها اتصال سیناپسی (Synaptic Connections) با یکدیگر در تعامل هستند. نحوه سازماندهی این شبکه پیچیده، اساس عملکرد شناختی و رفتاری است.
۱.۴ سوخت مغز (Fuel for the Brain)
تبیین:
مغز یکی از پرمصرف‌ترین اعضای بدن از نظر انرژی است. این بخش بر نیاز بالای مغز به گلوکز (Glucose) و اکسیژن (Oxygen) برای حفظ فعالیت نورونی تمرکز دارد. با وجود اینکه مغز تنها ۲٪ از وزن بدن را دارد، حدود ۲۰٪ انرژی پایه بدن را مصرف می‌کند.
۱.۵ خلاصه (Summary)
تبیین:
در خلاصه فصل، نویسنده به این نکته تأکید دارد که تکامل مغز انسان در یک چارچوب محدود و متوازن با نیازهای انرژی، ساختاری و ژنتیکی صورت گرفته است. نتیجه این تکامل، مغزی پیچیده با کارکردهای پیشرفته شناختی بوده که در عین حال در معرض آسیب‌های ناشی از محدودیت‌های ذاتی خود نیز قرار دارد.
۲. The Senses as Basic Input
۲.۱ Olfaction
۲.۱.۱ Prioritizing with Separation and
Tagging?
۲.۱.۲ The Spatiotemporal Resolution of Olfaction
۲.۲ Taste
۲.۳ Hearing
۲.۴ Visual Signal Processing in Each Cell
۲.۵ Sensing Mechanical Forces
۲.۶ Summary
در ادامه، ترجمه و تبیین تحلیلی و علمی فصل دوم با عنوان “The Senses as Basic Input” (حواس به عنوان ورودی‌های پایه‌ای) ارائه شده است:
۲. حواس به عنوان ورودی‌های پایه‌ای (The Senses as Basic Input)
تبیین:
این فصل به بررسی سیستم‌های حسی مختلف (Sensory Systems) می‌پردازد که به‌عنوان ورودی‌های اصلی مغز عمل می‌کنند. حواس، اطلاعات محیطی را از طریق گیرنده‌های تخصص‌یافته دریافت کرده و به کدهای عصبی قابل‌تفسیر تبدیل می‌کنند. این ورودی‌ها نقش حیاتی در درک، شناخت، و بقا دارند.
۲.۱ بویایی (Olfaction)
تبیین:
بویایی یکی از قدیمی‌ترین حواس تکاملی است که نقش مهمی در بقا ایفا می‌کند. اطلاعات بویایی از طریق گیرنده‌های بویایی (Olfactory Receptors) در حفره بینی گرفته شده و مستقیماً به لوب بویایی (Olfactory Bulb) ارسال می‌شوند که نشان‌دهنده اتصال مستقیم آن با مغز است.
۲.۱.۱ اولویت‌بندی با جداسازی و برچسب‌گذاری؟
(Prioritizing with Separation and Tagging?)
تبیین:
مغز برای پردازش اطلاعات بویایی، از سازوکارهایی مانند تفکیک فضایی (Spatial Separation) و برچسب‌گذاری شیمیایی (Molecular Tagging) استفاده می‌کند تا بوهای مختلف را تشخیص داده و اولویت‌بندی کند. این پردازش پیچیده، امکان شناسایی صدها نوع بو با دقت بالا را فراهم می‌سازد.
۲.۱.۲ دقت فضایی-زمانی بویایی
(The Spatiotemporal Resolution of Olfaction)
تبیین:
برخلاف بینایی و شنوایی، بویایی دارای دقت زمانی و مکانی پایین‌تر است؛ اما اطلاعات شیمیایی پیچیده‌ای را رمزگشایی می‌کند. در این فرآیند، زمان و ترتیب تحریک نورون‌های بویایی درک خاصی از بوها ایجاد می‌کند.
۲.۲ چشایی (Taste)
تبیین:
چشایی از طریق گیرنده‌های چشایی (Taste Receptors) در زبان و کام نرم انجام می‌شود و مزه‌های اصلی مانند شیرینی، شوری، تلخی، ترشی و اومامی را تشخیص می‌دهد. این حس در هماهنگی با بویایی تجربه‌ی کلی مزه را شکل می‌دهد.
۲.۳ شنوایی (Hearing)
تبیین:
شنوایی از طریق ارتعاشات مکانیکی هوا که به امواج صوتی تبدیل می‌شوند عمل می‌کند. این ارتعاشات توسط حلزون گوش (Cochlea) به سیگنال‌های الکتریکی تبدیل شده و به کورتکس شنوایی (Auditory Cortex) می‌روند. دقت زمانی بسیار بالا از ویژگی‌های بارز این سیستم است.
۲.۴ پردازش سیگنال بینایی در هر سلول
(Visual Signal Processing in Each Cell)
تبیین:
در شبکیه (Retina)، سلول‌های گیرنده نور مانند سلول‌های استوانه‌ای و مخروطی (Rods and Cones)، سیگنال نوری را دریافت و به سیگنال الکتریکی تبدیل می‌کنند. پردازش اولیه اطلاعات تصویری پیش از رسیدن به مغز، در خود شبکیه صورت می‌گیرد.
۲.۵ حس کردن نیروهای مکانیکی (Sensing Mechanical Forces)
تبیین:
این حس شامل لامسه (Touch) و پروپریوسپشن (Proprioception) است که نیروهای فیزیکی وارد شده به بدن و موقعیت اندام‌ها را درک می‌کند. گیرنده‌های مکانیکی مانند مکانوگیرنده‌ها (Mechanoreceptors) این وظیفه را انجام می‌دهند و نقش مهمی در هماهنگی حرکات دارند.
۲.۶ خلاصه (Summary)
تبیین:
حواس پایه‌ای شامل بویایی، چشایی، شنوایی، بینایی و لامسه، ورودی‌های اولیه و حیاتی برای عملکرد مغز هستند. هر حس دارای مسیرهای عصبی تخصص‌یافته و نوع خاصی از گیرنده‌هاست که ویژگی‌های متفاوتی مانند دقت زمانی، مکانی و شیمیایی دارند. این ورودی‌ها، پایه‌گذار درک شناختی، رفتار تطبیقی، و تعامل با محیط هستند.
۳. Changing Priorities with Age
۳.۱ Growing and Learning with the Cerebellum
۳.۲ A Cortical Network that Ripens with Age
۳.۳ Summary
در ادامه، ترجمه و تبیین علمی فصل سوم با عنوان “Changing Priorities with Age” (تغییر اولویت‌ها با افزایش سن) ارائه می‌گردد.
۳. تغییر اولویت‌ها با افزایش سن (Changing Priorities with Age)
تبیین:
با رشد و افزایش سن، مغز انسان اولویت‌های عملکردی خود را تغییر می‌دهد. ساختارها و شبکه‌های مختلف مغزی به‌تدریج رسش (Maturation) می‌یابند و این تغییرات با مراحل رشدی، یادگیری، و بلوغ شناختی هماهنگ هستند. دو ناحیه مهم در این فرآیند عبارتند از مخچه (Cerebellum) و شبکه‌های قشری (Cortical Networks) که هرکدام نقشی کلیدی در تطابق رفتاری و عملکرد شناختی با مراحل سنی دارند.
۳.۱ رشد و یادگیری با مخچه
(Growing and Learning with the Cerebellum)
تبیین:
مخچه تنها مسئول تعادل و حرکات ظریف نیست، بلکه در یادگیری حرکتی (Motor Learning) و حتی یادگیری شناختی (Cognitive Learning) نیز نقش دارد. در کودکی، مغز از طریق مخچه الگوهای حرکتی پایه مانند راه رفتن و هماهنگی چشم و دست را می‌آموزد. مطالعات نشان داده‌اند که فعالیت‌های مکرر موجب تعدیل سیناپسی (Synaptic Plasticity) در مخچه می‌شود.
۳.۲ شبکه قشری که با سن رسیده می‌شود
(A Cortical Network that Ripens with Age)
تبیین:
قشر مغز (Cerebral Cortex) به‌ویژه در نواحی پیش‌پیشانی (Prefrontal Cortex)، در نوجوانی و اوایل بزرگسالی بلوغ کامل می‌یابد. این بخش مسئول کنترل اجرایی (Executive Function)، تصمیم‌گیری (Decision-making)، تنظیم هیجان (Emotional Regulation) و برنامه‌ریزی (Planning) است. این فرآیند رسش کند ولی مستمر است و با تغییر در اتصالات سیناپسی، افزایش میلین‌دار شدن آکسون‌ها (Myelination) و حذف سیناپس‌های غیرضروری (Synaptic Pruning) همراه می‌باشد.
۳.۳ خلاصه (Summary)
تبیین:
فرآیند رشد مغز با تغییر در ساختارها و عملکردهای آن همراه است. در مراحل اولیه، مخچه در یادگیری حرکات نقش کلیدی دارد، در حالی که در مراحل بعدی زندگی، شبکه‌های قشری به بلوغ رسیده و نقشهای پیچیده‌تری را به‌عهده می‌گیرند. این تغییرات، مغز را برای چالش‌های شناختی و رفتاری متناسب با سن آماده می‌کند.
۴. Memory in Cells
۴.۱ Engrams: Single-Cell Basis of Memory
۴.۲ To Engage More Cells for a Stronger Memory?
۴.۳ Competition for Allocation into a Memory Engram
۴.۴ Memory Consolidation in View of Hashing
۴.۵ Combining Old and New
۴.۶ Summary
در ادامه، ترجمه و تبیین علمی فصل چهارم از کتاب، با عنوان “Memory in Cells” (حافظه در سطح سلولی) ارائه می‌گردد.
۴. حافظه در سلول‌ها (Memory in Cells)
تبیین:
حافظه تنها پدیده‌ای ذهنی یا رفتاری نیست، بلکه پایه‌های سلولی و مولکولی بسیار دقیقی دارد. در این فصل، ساختارهایی به‌نام انگرام‌ها (Engrams) معرفی می‌شوند که مجموعه‌ای از سلول‌های عصبی هستند که در حین یک تجربه فعال شده و بعداً برای یادآوری همان تجربه فعال‌سازی مجدد می‌شوند.
۴.۱ انگرام‌ها: پایه سلولی حافظه
(Engrams: Single-Cell Basis of Memory)
تبیین:
انگرام‌ها گروهی از نورون‌ها هستند که با هم یک خاطره را در مغز کدگذاری می‌کنند. این مفهوم به‌طور تجربی با استفاده از نوروساینس رفتاری و تکنولوژی‌هایی مانند اپتوژنتیک (Optogenetics) اثبات شده است. فعال‌سازی همین نورون‌ها می‌تواند خاطره قبلی را بازیابی کند، حتی اگر فرد محرک‌های خارجی را دریافت نکند.
۴.۲ درگیر کردن سلول‌های بیشتر برای حافظه قوی‌تر؟
(To Engage More Cells for a Stronger Memory?)
تبیین:
شدت و دوام یک خاطره با تعداد نورون‌های شرکت‌کننده در انگرام رابطه دارد. خاطرات قوی‌تر معمولاً توزیع وسیع‌تری در شبکه‌های عصبی دارند، در حالی که خاطرات کم‌اهمیت ممکن است تنها در چند نورون باقی بمانند. این موضوع درک ما را از حافظه‌های ماندگار و فراموشی بهتر می‌سازد.
۴.۳ رقابت برای اختصاص به یک انگرام حافظه
(Competition for Allocation into a Memory Engram)
تبیین:
سلول‌ها برای وارد شدن به یک انگرام خاص رقابت می‌کنند. عواملی مانند سطح فعالیت نورونی، حساسیت گیرنده‌ها و موقعیت فضایی در شبکه عصبی، تعیین می‌کنند که کدام نورون‌ها در حافظه خاصی درگیر شوند. این فرآیند به مغز اجازه می‌دهد تا حافظه‌ها را بهینه سازماندهی کند.
۴.۴ تثبیت حافظه از دیدگاه هش‌کردن
(Memory Consolidation in View of Hashing)
تبیین:
مفهوم تثبیت حافظه (Memory Consolidation) را می‌توان با الگوریتم‌های هش (Hashing) در رایانه مقایسه کرد. مغز در طی تثبیت، داده‌ها را از حافظه کوتاه‌مدت به حافظه بلندمدت منتقل می‌کند، به شکلی فشرده‌سازی شده، رمزگذاری شده و منسجم. این فرآیند عمدتاً در هنگام خواب یا استراحت ذهنی انجام می‌شود.
۴.۵ ترکیب خاطرات قدیم و جدید
(Combining Old and New)
تبیین:
مغز توانایی ترکیب اطلاعات جدید با خاطرات قبلی را دارد. این کار از طریق هم‌زمان‌سازی شبکه‌های عصبی مرتبط انجام می‌شود. اگر خاطره جدید شباهتی با اطلاعات پیشین داشته باشد، سریع‌تر ادغام شده و بهتر یاد گرفته می‌شود؛ به این ترتیب، مغز می‌تواند بین دانش قدیمی و جدید پل ارتباطی ایجاد کند.
۴.۶ خلاصه (Summary)
تبیین:
حافظه یک ویژگی پیچیده اما سازمان‌یافته در مغز است که بر پایه‌ی انگرام‌های نورونی عمل می‌کند. شدت، دوام و محتوای حافظه‌ها به تعداد و چگونگی درگیری نورون‌ها بستگی دارد. تثبیت حافظه و تعامل بین خاطرات گذشته و جدید، نشان‌دهنده سازوکارهای محاسباتی قدرتمند مغز است که آن را شبیه به سامانه‌های هوشمند مصنوعی می‌سازد.
۵. Memory in Dendritic Spines
۵.۱ Spiny Neurons
۵.۲ Local Spine Dynamics
۵.۲.۱ Memory Decay Down to Individual Spines
۵.۲.۲ New and Leaky
۵.۲.۳ Thin and Learning Fast
۵.۳ Memory Replays at Synapses
۵.۴ Sharp-Wave Ripples-Weights of Dendritic
Spines in Action
۵.۵ Gated Storage of New Details
۵.۶ Summary
در ادامه، ترجمه و تبیین فصل پنجم با عنوان “Memory in Dendritic Spines” (حافظه در خارهای دندریتی) ارائه می‌شود.
۵. حافظه در خارهای دندریتی (Memory in Dendritic Spines)
تبیین کلی:
خارهای دندریتی (Dendritic Spines) ساختارهای ریز و قابل انعطاف روی دندریت‌ها هستند که محل اصلی سیناپس‌های تحریکی محسوب می‌شوند. آنها نه‌تنها محل تبادل اطلاعات بین نورون‌ها هستند، بلکه نقش اساسی در یادگیری، تثبیت حافظه و فراموشی ایفا می‌کنند.
۵.۱ نورون‌های خاردار (Spiny Neurons)
برخی نورون‌ها به‌ویژه نورون‌های هرمی (Pyramidal Neurons) دارای دندریت‌هایی با تعداد زیادی خار دندریتی هستند. این خارها به‌عنوان مکان‌های سیناپسی جداگانه عمل می‌کنند و هرکدام می‌توانند اطلاعات خاصی را به‌طور مستقل رمزگذاری کنند. این ویژگی به مغز اجازه می‌دهد حافظه‌ها را در واحدهای کوچک و انعطاف‌پذیر ذخیره کند.
۵.۲ دینامیک محلی خارها (Local Spine Dynamics)
۵.۲.۱ زوال حافظه در سطح خارها
(Memory Decay Down to Individual Spines)
حافظه‌ها ممکن است به‌مرور زمان در سطح خارهای دندریتی دچار کاهش حجم، قطع ارتباط یا تخریب ساختاری شوند. این امر بخشی از مکانیزم طبیعی فراموشی (Forgetting) است که اجازه می‌دهد حافظه‌های منسوخ، حذف شده و جایگزین شوند.
۵.۲.۲ جدید و نشت‌دار (New and Leaky)
خارهای تازه تشکیل شده، هنوز پایدار نشده‌اند و به راحتی می‌توانند از بین بروند. آنها مانند ورودی‌های اطلاعاتی جدید هستند که ممکن است به‌صورت زودگذر باقی بمانند، مگر آنکه تقویت سیناپسی مناسبی دریافت کنند.
۵.۲.۳ نازک و سریع در یادگیری
(Thin and Learning Fast)
خارهای نازک‌تر معمولاً حساس‌تر به یادگیری و تغییرات سیناپسی هستند. این خارها به‌شکلی دینامیک، خیلی سریع پتانسیل پاسخ‌دهی را تغییر داده و حافظه‌های جدید را بهتر ثبت می‌کنند.
۵.۳ بازپخش حافظه در سیناپس‌ها
(Memory Replays at Synapses)
مغز در طول خواب یا استراحت، خاطرات را از طریق الگوهای سیناپسی تکراری بازپخش می‌کند. این بازپخش‌ها نقش مهمی در تثبیت حافظه و آموزش دوباره شبکه‌ها دارند. این فرآیند شباهت زیادی به یادگیری عمیق در هوش مصنوعی دارد که مدل‌ها را با تکرار آموزش می‌دهند.
۵.۴ ریپل‌های شارپ-ویو و وزن خارها
(Sharp-Wave Ripples – Weights of Dendritic Spines in Action)
ریپل‌های شارپ‌ویو (Sharp-Wave Ripples) فعالیت‌های الکتریکی سریعی هستند که در هیپوکامپ رخ می‌دهند و به بازنویسی وزن سیناپس‌ها در خارهای دندریتی کمک می‌کنند. این ریپل‌ها وزن سیناپسی (Synaptic Weight) را تنظیم کرده و اولویت حافظه‌ها را مشخص می‌کنند.
۵.۵ ذخیره‌سازی دروازه‌ای جزئیات جدید
(Gated Storage of New Details)
برخی سیناپس‌ها و خارهای دندریتی دارای مکانیزم دروازه‌ای (Gating Mechanism) هستند که فقط در صورت وجود شرایط خاص، اجازه ذخیره‌سازی اطلاعات جدید را می‌دهند. این ویژگی از اشباع حافظه جلوگیری کرده و به مغز کمک می‌کند تا اطلاعات مرتبط‌تر را حفظ کند.
۵.۶ خلاصه (Summary)
خارهای دندریتی به عنوان واحدهای کلیدی در حافظه‌سازی نورونی شناخته می‌شوند. دینامیک آنها شامل رشد، تغییر شکل، تقویت یا حذف است. این سازوکارها به مغز امکان می‌دهند تا خاطرات جدید را ایجاد، خاطرات قدیمی را حفظ و اطلاعات نامربوط را حذف کند.
۶. Sleeping and Dreaming
۶.۱ Non-Rapid Eye Movement Sleep-Flushing Waste Out of the Brain and Stock-Up
۶.۲ The Alternating and Progressing Phases of Sleep
۶.۳ Interneurons-Global or Local Patterning with Brain-Wide Oscillations
۶.۴ Evolutionarily Ancient Circuits Tapping into Our Dreams?
۶.۵ Rapid Eye Movement Sleep
۶.۶ Daydreaming and the Refreshing Effect of Switching Tasks
۶.۷ Summary
در ادامه، ترجمه و تبیین علمی فصل ششم با عنوان “Sleeping and Dreaming” (خواب و رؤیا) ارائه می‌شود.
۶. خواب و رؤیا (Sleeping and Dreaming)
تبیین کلی:
خواب نه‌تنها برای بازیابی انرژی بلکه برای پاکسازی مغز، پردازش اطلاعات، تثبیت حافظه، و ساخت رؤیاها ضروری است. این فرآیند پیچیده شامل چندین فاز است که هرکدام عملکردی خاص دارند. نورون‌های مهاری (Interneurons)، امواج مغزی نوسانی (Oscillations) و مدارهای قدیمی فرگشتی در تولید رؤیاها نقش دارند.
۶.۱ خواب غیرREM – پاکسازی مواد زاید و ذخیره انرژی
(Non-Rapid Eye Movement Sleep – Flushing Waste Out of the Brain and Stock-Up)
در فاز خواب غیرحرکت سریع چشم (NREM)، سیستم گلیمفاتیک (Glymphatic System) فعال شده و مواد زاید متابولیک مثل آمیلوئید بتا را از مغز خارج می‌کند. همچنین در این مرحله مغز منابع انرژی مانند گلیکوژن را بازسازی می‌کند. این فاز، پایه‌ای‌ترین و ترمیمی‌ترین نوع خواب است.
۶.۲ فازهای متناوب و پیشرونده خواب
(The Alternating and Progressing Phases of Sleep)
خواب انسان در چرخه‌هایی بین فاز NREM و REM (Rapid Eye Movement) به‌صورت متناوب و پیشرونده حرکت می‌کند. در طول شب، مدت REM افزایش می‌یابد و نقش مهم‌تری در پردازش عاطفی و حافظه می‌یابد.
۶.۳ اینترنورون‌ها – الگوهای محلی یا گسترده با نوسان‌های مغزی
(Interneurons – Global or Local Patterning with Brain-Wide Oscillations)
نورون‌های مهاری (Interneurons) در هماهنگی نوسان‌های مغزی در خواب نقش دارند. این نوسان‌ها مثل دوک‌های خواب (Sleep Spindles) و امواج آهسته (Slow Waves)، حافظه را تثبیت کرده و مدارهای عصبی را بازتنظیم می‌کنند.
۶.۴ مدارهای قدیمی فرگشتی – نقش در رؤیاها؟
(Evolutionarily Ancient Circuits Tapping into Our Dreams?)
برخی از مدارهای مغزی تکامل‌یافته در گذشته مثل نواحی لیمبیک و ساقه مغز، در ایجاد رؤیاها دخیل‌اند. این مدارها می‌توانند تصاویر، هیجانات و رویدادهای گذشته را بی‌نظم ولی معنادار ترکیب کنند و تولید رؤیا نمایند.
۶.۵ خواب REM (Rapid Eye Movement Sleep)
در این فاز، حرکات سریع چشم، قطع تون عضلانی و افزایش فعالیت مغزی مشاهده می‌شود. مغز در REM بسیار فعال است و خاطرات هیجانی را بازسازی می‌کند. اکثر رؤیاها در این فاز اتفاق می‌افتند.
۶.۶ رؤیاپردازی روزانه و اثر احیاکننده تعویض کار
(Daydreaming and the Refreshing Effect of Switching Tasks)
رؤیاپردازی (Daydreaming) به‌خصوص هنگام استراحت یا تعویض فعالیت ذهنی، به مغز اجازه می‌دهد اطلاعات را طبقه‌بندی مجدد کند. این فرآیند باعث تقویت خلاقیت، بازیابی تمرکز و کاهش خستگی ذهنی می‌شود.
۶.۷ خلاصه (Summary)
خواب فرایندی فعال، چندمرحله‌ای و حیاتی برای عملکرد مغز است. در خواب NREM، پاکسازی و ذخیره انرژی انجام می‌شود، در REM پردازش هیجانی و تولید رؤیا رخ می‌دهد، و در طی رؤیاپردازی روزانه، مغز اطلاعات را مرتب‌سازی می‌کند.
۷. Mastering Space and Time
۷.۱ Place Cells and Grid Cells
۷.۲ Stellate Neurons and Pyramidal Neurons for Objects and Grids?
۷.۳ Time or Rhythm?
۷.۴ Sensing Speed and Acceleration
۷.۵ The Vestibular System for Sensing Self-Motion
۷.۶ Vector Information from Other Cells Around the Hippocampus
۷.۷ Goal-Directed Vector Navigation
۷.۸ A More Versatile Generative Adversarial Network in the Brain?
۷.۹ Social Navigation
۷.۱۰ Summary
در ادامه، ترجمه و تبیین فصل هفتم با عنوان “تسلط بر فضا و زمان (Mastering Space and Time)” ارائه شده است:
۷. تسلط بر فضا و زمان (Mastering Space and Time)
درک فضا و زمان یکی از عملکردهای پیچیده و حیاتی مغز است که از طریق تعامل بین سلول‌های فضایی، زمانی و حرکتی در نواحی همچون هیپوکامپ (Hippocampus) و قشر انتورینال (Entorhinal Cortex) انجام می‌شود. مغز با ایجاد نقشه‌های شناختی، جهت‌یابی و تصمیم‌گیری هدف‌مند را در محیط ممکن می‌سازد.
۷.۱ سلول‌های مکانی و سلول‌های شبکه‌ای
(Place Cells and Grid Cells)
سلول‌های مکانی (Place Cells) در هیپوکامپ هنگامی فعال می‌شوند که فرد در مکان خاصی از محیط باشد. سلول‌های شبکه‌ای (Grid Cells) در قشر انتورینال، یک الگوی شبکه‌مانند شش‌ضلعی از فضا را رمزگذاری می‌کنند. این دو نوع سلول باهم نقشهای ذهنی از محیط می‌سازند.
۷.۲ نورون‌های ستاره‌ای و پیرامیدال – برای اشیاء و شبکه‌ها؟
(Stellate and Pyramidal Neurons for Objects and Grids?)
نورون‌های ستاره‌ای (Stellate Neurons) در رمزگذاری ساختار فضایی کلی نقش دارند، در حالی که نورون‌های پیرامیدال (Pyramidal Neurons) بیشتر اطلاعات مرتبط با اشیاء و رویدادها را ذخیره می‌کنند. این دو نوع نورون مکمل یکدیگر هستند.
۷.۳ زمان یا ریتم؟
(Time or Rhythm?)
مغز انسان برای پردازش زمان به الگوهای ریتمیک داخلی وابسته است. نورون‌هایی با فعالیت‌های زمان‌مند می‌توانند فاصله‌های زمانی را کدگذاری کنند، حتی بدون ساعت بیرونی.
۷.۴ حس سرعت و شتاب
(Sensing Speed and Acceleration)
مغز از طریق ترکیب سیگنال‌های حرکتی و دیداری، سرعت حرکت و حتی تغییرات شتاب (Acceleration) را تشخیص می‌دهد. نورون‌هایی در هیپوکامپ و نواحی حرکتی برای این پردازش‌ها تخصص یافته‌اند.
۷.۵ سیستم وستیبولار و حس حرکت خود
(The Vestibular System for Sensing Self-Motion)
دستگاه دهلیزی (Vestibular System) در گوش داخلی اطلاعات مرتبط با موقعیت سر، چرخش و شتاب خطی را به مغز می‌فرستد. این سیستم برای جهت‌یابی، حفظ تعادل و کنترل حرکات ضروری است.
۷.۶ اطلاعات برداری از سلول‌های اطراف هیپوکامپ
(Vector Information from Cells Around the Hippocampus)
سلول‌های خاصی اطراف هیپوکامپ مانند Head Direction Cells و Border Cells اطلاعات برداری (جهت، فاصله و مرزهای محیط) را رمزگذاری می‌کنند و به شکل‌گیری نقشه فضایی کمک می‌نمایند.
۷.۷ جهت‌یابی برداری هدف‌مند
(Goal-Directed Vector Navigation)
در برخی مسیرها، مغز از بردارهایی استفاده می‌کند که موقعیت فعلی را با مکان هدف متصل می‌کند. این مسیرها انعطاف‌پذیر و بهینه‌سازی‌شده‌اند و به تصمیم‌گیری سریع کمک می‌کنند.
۷.۸ شبکه مولد-تضاد تطبیق‌پذیرتر در مغز؟
(A More Versatile Generative Adversarial Network in the Brain?)
برخی پژوهشگران پیشنهاد می‌کنند که مغز ممکن است از الگویی مشابه شبکه‌های مولد-تضاد (GANs) استفاده کند؛ مغز با تولید فرضیات و بررسی صحت آنها در محیط، بازنمایی‌های داخلی خود را اصلاح می‌کند.
۷.۹ جهت‌یابی اجتماعی
(Social Navigation)
مغز از شبکه‌های مشابه جهت‌یابی فضا برای درک و پیمایش در روابط اجتماعی نیز استفاده می‌کند. نواحی مانند آمیگدال، قشر پیش‌پیشانی و هیپوکامپ در نقشه‌برداری از موقعیت اجتماعی و روابط پیچیده نقش دارند.
۷.۱۰ خلاصه (Summary)
مغز با استفاده از ترکیب نورون‌های فضایی، زمانی و برداری، نقشهای شناختی از جهان و خود می‌سازد. این نقشه نه‌تنها برای جهت‌یابی در محیط بلکه برای تفکر، تصمیم‌گیری و تعامل اجتماعی حیاتی است.
۸. Arithmetics, Talking and Reading
۸.۱ A Distributed Network That Works Together
۸.۲ Object Tracking for Low Numbers
۸.۳ Torus and the Number of Functional Domains on the Hippocampus?
۸.۴ Analog Representation of Numbers in Humans and Animals
۸.۵ Abstract Representation of Numbers and Arithmetic Operations
۸.۶ Multi-Module Coordination during Singing
۸.۷ Talking or Reading
۸.۷.۱ Hippocampus-Dependent Procedural Memory for Speaking
۸.۷.۲ Reading from Grids to Details?
۸.۸ Summary
در ادامه، ترجمه و تبیین فصل هشتم با عنوان “محاسبات، گفتار و خواندن (Arithmetics, Talking and Reading)” آورده شده است:
۸. محاسبات، گفتار و خواندن (Arithmetics, Talking and Reading)
توانایی‌های محاسبه، گفتار و خواندن از پیچیده‌ترین قابلیت‌های مغز انسان به شمار می‌آیند که نیازمند تعامل چندین شبکه عصبی توزیع‌شده، پردازش نمادین، و یکپارچه‌سازی همزمان حافظه، حرکت، و ادراک هستند. این قابلیت‌ها در طول تکامل انسان به شکلی منحصربه‌فرد گسترش یافته‌اند.
۸.۱ شبکه‌ای توزیع‌شده که با همکاری عمل می‌کند
(A Distributed Network That Works Together)
برخلاف یک مرکز پردازشی متمرکز، مغز برای انجام وظایفی مانند گفتار و حساب از شبکه‌های گسترده‌ای شامل قشر پیش‌پیشانی (Prefrontal Cortex)، قشر آهیانه‌ای (Parietal Cortex)، قشر گیجگاهی (Temporal Cortex)، و هیپوکامپ (Hippocampus) استفاده می‌کند.
۸.۲ ردیابی اشیاء برای اعداد کم
(Object Tracking for Low Numbers)
در انسان و حیوانات، توانایی تشخیص فوری و دقیق تعداد کم اشیاء (معمولاً ۱ تا ۴) وجود دارد. این فرایند که به آن سابیتیزیشن (Subitizing) می‌گویند، بدون شمارش آگاهانه انجام می‌شود و به نواحی بینایی-آهیانه‌ای مربوط است.
۸.۳ توروس و تعداد حوزه‌های عملکردی در هیپوکامپ؟
(Torus and the Number of Functional Domains on the Hippocampus?)
مدلی مفهومی با نام توروس (Torus) پیشنهاد می‌دهد که هیپوکامپ ساختاری چندبُعدی دارد که قادر به تمایز و ادغام اطلاعات از چندین حوزه عملکردی همزمان است؛ این امر در توالی‌های پیچیده مثل زبان یا حساب اهمیت دارد.
۸.۴ بازنمایی آنالوگ اعداد در انسان و حیوان
(Analog Representation of Numbers in Humans and Animals)
مغز می‌تواند اعداد را به صورت آنالوگ و پیوسته بازنمایی کند. نورون‌هایی در نواحی آهیانه‌ای به طور انتخابی به بازه خاصی از اعداد واکنش نشان می‌دهند. این سیستم به مقایسه نسبی و تخمین‌های عددی کمک می‌کند.
۸.۵ بازنمایی انتزاعی اعداد و عملیات حسابی
(Abstract Representation of Numbers and Arithmetic Operations)
بازنمایی نمادین و انتزاعی اعداد و عملیات ریاضی در قشر پیش‌پیشانی و آهیانه‌ای انجام می‌شود. مغز می‌تواند قوانین عمومی را از مثال‌های عددی استنتاج کرده و آنها را در مسائل جدید به‌کار ببرد—این عملکرد پایه‌گذار ریاضیات نمادین است.
۸.۶ هماهنگی چندماژولی در زمان آوازخوانی
(Multi-Module Coordination during Singing)
در هنگام آواز یا لحن گفتاری (Prosody)، شبکه‌های حرکتی، شنوایی، هیجانی و زبانی با یکدیگر هماهنگ می‌شوند. این هماهنگی ماژولار نشان‌دهنده تعامل شبکه‌های نیمه‌مستقل برای تولید محتوای هماهنگ است.
۸.۷ گفتار یا خواندن
(Talking or Reading)
این دو مهارت، گرچه مرتبط هستند، اما زیرساخت‌های عصبی متفاوتی دارند و به شیوه‌های مختلف یاد گرفته می‌شوند.
-
۸.۷.۱ حافظه رویه‌ای وابسته به هیپوکامپ برای گفتار
(Hippocampus-Dependent Procedural Memory for Speaking)
توانایی روان صحبت کردن به حافظه رویه‌ای (Procedural Memory) متکی است که با هیپوکامپ و گره‌های قاعده‌ای (Basal Ganglia) در ارتباط است. -
۸.۷.۲ خواندن: از شبکه‌ها به جزئیات؟
(Reading from Grids to Details?)
خواندن مستلزم رمزگشایی نمادهای بصری و اتصال آنها به صدا و معناست. ابتدا نواحی بینایی کلمات را شناسایی کرده و سپس شبکه‌های معنایی و نحوی فعال می‌شوند. این فرایند از بازنمایی‌های شبکه‌ای به پردازش جزئیات پیش می‌رود.
۸.۸ خلاصه (Summary)
توانایی‌های پیشرفتهای مانند حساب، گفتار و خواندن نیازمند تعامل میان‌ماژولی و حافظه‌های چندگانه هستند. بازنمایی‌های عددی می‌توانند از شکل‌های آنالوگ به انتزاعی تبدیل شوند، و زبان نیز بر ترکیب حافظه، ادراک و هماهنگی حرکتی متکی است.
۹. Causality and Cognitive Exploration
۹.۱ To Explore or Not
۹.۲ Expected or Unexpected
۹.۳ Path Diagrams and Counterfactuals in View of Navigation
۹.۴ Summary
در اینجا ترجمه و تبیین فصل نهم با عنوان “علیت و کاوش شناختی (Causality and Cognitive Exploration)” آمده است:
۹. علیت و کاوش شناختی (Causality and Cognitive Exploration)
توانایی درک و شبیه‌سازی علیت (Causality) در مغز انسان برای انجام کاوش‌های شناختی و تصمیم‌گیری حیاتی است. این فرایندها به ما این امکان را می‌دهند که بین علت و معلول ارتباط برقرار کنیم و به طور مؤثر در محیط‌های پیچیده پیمایش کنیم.
۹.۱ کاوش کردن یا نکردن
(To Explore or Not)
یکی از پرسش‌های مهم در فرآیند کاوش شناختی، این است که آیا باید به جستجوی اطلاعات جدید پرداخت یا به موجودیت‌های شناخته‌شده بسنده کرد؟ انتخاب بین این دو رفتار به مجموعه‌ای از عوامل داخلی مانند انگیزه (Motivation) و خطر (Risk) وابسته است. تصمیم‌گیری در این زمینه، به طور قابل توجهی به استراتژی‌های شناختی و توانایی پیش‌بینی نتایج احتمالی (Expected Outcomes) وابسته است.
۹.۲ پیش‌بینی یا غیرمنتظره
(Expected or Unexpected)
زمانی که مغز با پیش‌بینی‌ها (Predictions) مواجه می‌شود، به دنبال تایید یا رد آنها در محیط می‌گردد. پاسخ به رویدادهای غیرمنتظره (Unexpected Events) می‌تواند مکانیزم‌های تطبیقی را فعال کند که به مغز امکان می‌دهد به سرعت تغییرات جدید را پردازش کرده و به شرایط جدید سازگار شود. این فرایند برای پیش‌بینی‌های بهبود یافته و تغییر رفتار در آینده ضروری است.
۹.۳ نمودارهای مسیر و ضدواقعیت‌ها در دیدگاه پیمایش
(Path Diagrams and Counterfactuals in View of Navigation)
یکی از ابزارهای مفید برای شبیه‌سازی وضعیت‌های پیمایشی (Navigational Contexts)، نمودارهای مسیر (Path Diagrams) هستند که مسیرهای مختلف را برای دستیابی به هدف‌ها نشان می‌دهند. در کنار این ابزارها، ضدواقعیت‌ها (Counterfactuals) نیز به کار می‌روند که به فرد این امکان را می‌دهند که نتایج مختلف را بدون وقوع واقعی آنها پیش‌بینی کند، به‌ویژه در مواقعی که تصمیمات باید به سرعت و با دقت گرفته شوند.
۹.۴ خلاصه
(Summary)
درک علیت و استفاده از ابزارهای شناختی مانند نمودارهای مسیر و ضدواقعیت‌ها به مغز این امکان را می‌دهد که در تصمیم‌گیری‌های پیچیده و تغییرات محیطی به سرعت واکنش نشان دهد. این فرایندها برای کاوش شناختی و پیش‌بینی در شرایط مختلف ضروری هستند.
Index
به مجموعه منظمی از اطلاعات، مدارک و محتوا‌هایی که ترتیب آنها طبق یک اصول خاصی مثل حروف الفبا صورت می‌گیرد و باعث دسترسی سریع‌تر مخاطب می‌گردد را نمایه می‌گویند. (معنی نمایه در دیکشنری مریام) این اطلاعات و مدارک می‌تواند شامل هر موضوعی باشد. مثلاً یک نوع ساده از نمایه که بیشتر افراد در زندگی خود از آن استفاده می‌کنند، دفترچه تلفن می‌باشد.
Preface
مقدمه (Preface)
After the book on the human microbiome, and as I was relocating from BGI-Shenzhen to Fudan University and IPM-GBA, it occurred to me that I could and should write another book, crossing into neuroscience and computation. And as it turned out, the last chapter of this book became a step further from Chapter 6 of the microbiome book (ISBN: 978-0-323-91369-0) on causality. Not sure whether Prof. Judea Pearl will get to see this book.
ترجمه:
پس از تألیف کتابی در زمینه میکروبیوم انسانی، و همزمان با انتقال محل کارم از مؤسسه BGI در شنژن به دانشگاه فودان و IPM-GBA، این فکر در ذهنم جرقه زد که می‌توانم – و حتی باید – کتابی دیگر بنویسم؛ کتابی که مرز میان علوم اعصاب (Neuroscience) و محاسبات (Computation) را درنوردد.
در نهایت، آخرین فصل این کتاب، گامی فراتر از فصل ششم کتاب میکروبیوم با موضوع علیت (Causality) شد (شماره شابک: ۹۷۸-۰-۳۲۳-۹۱۳۶۹-۰).
نمی‌دانم که آیا پروفسور جودیا پرل (Prof. Judea Pearl) این کتاب را خواهد دید یا نه، اما بی‌تردید اندیشه‌های او الهام‌بخش بوده‌اند.
تبیین:
در این مقدمه، نویسنده به سیر علمی و انتقالی خود از حوزه میکروبیوم انسانی به قلمرویی ترکیبی از علوم اعصاب و علوم رایانه‌ای اشاره می‌کند. این حرکت نشان‌دهنده اهمیت فزاینده‌ی رویکردهای چندرشته‌ای در علوم مدرن است.
اتصال به مباحث علیت (Causality)، که توسط جودیا پرل به‌عنوان یکی از مفاهیم بنیادین در تحلیل داده‌ها و شناخت مطرح شده، مسیر فکری کتاب را به سوی بررسی سازوکارهای شناختی در مغز و مدل‌سازی آنها با کمک علوم رایانه‌ای هدایت می‌کند.
Some of the most fascinating phenotypes of humans keep their mysteries in the brain. Many animals are very smart, but have their own evolutionary constraints and priorities.
ترجمه:
برخی از شگفت‌انگیزترین ویژگی‌های ظاهری (فنوتیپ‌ها) در انسان‌ها، اسرار خود را در مغز پنهان کرده‌اند. بسیاری از حیوانات نیز دارای هوش قابل توجهی هستند، اما هر یک دارای محدودیت‌ها و اولویت‌های خاص تکاملی خود هستند.
تبیین:
جمله‌ی فوق به این موضوع اشاره دارد که بسیاری از پیچیده‌ترین و جذاب‌ترین ویژگی‌های انسانی، مانند زبان، خودآگاهی، حافظه بلندمدت، تصمیم‌گیری‌های اخلاقی و تفکر انتزاعی، ریشه در ساختار و عملکرد مغز دارند. اگرچه هوش تنها مختص انسان نیست و حیوانات بسیاری از جمله دلفین‌ها، میمون‌ها، کلاغ‌ها و فیل‌ها نیز توانایی‌های شناختی بالایی دارند، اما مسیر تکاملی هر گونه زنده به شکل خاصی شکل گرفته که سبب شده مغز آنها در راستای نیازهای بقای خودشان تکامل یابد.
برای مثال، مغز پرندگان آوازخوان برای یادگیری صداها و الگوهای صوتی بسیار تخصص‌یافته است، در حالی‌که مغز انسان بیشتر برای پردازش زبان، تفکر انتزاعی و تعاملات اجتماعی گسترده بهینه شده است. این تفاوت‌ها ناشی از محدودیت‌های تکاملی (evolutionary constraints) و اولویت‌های بقاء (survival priorities) هستند که در هر گونه‌ی جانوری به‌صورت خاص وجود دارد.
With new technologies such as single-cell recordings, calcium imaging, and optogenetics, neuroscience is seeing a burst in new literature. AI researchers, however, would probably find these publications dauntingly difficult for them to read. Whereas prevalent hierarchical algorithms look like dividing annual goals into departments in a company (e.g., in Dr. Yan LeCun’s book), many functions of the animal and human brain are more bottom up. I hope this book would be a good start for engineers and computer scientists to tackle problems from their angle. This is as yet a scientific discussion, and the social and philosophical implications had better not be over-interpreted.
ترجمه:
با ظهور فناوری‌های نوینی مانند ثبت فعالیت‌های سلولی به‌صورت منفرد (single-cell recordings)، تصویربرداری کلسیمی (calcium imaging) و اپتوژنتیک (optogenetics)، علوم اعصاب شاهد انفجاری از پژوهش‌ها و مقالات جدید است. با این حال، به‌احتمال زیاد، پژوهشگران حوزه‌ی هوش مصنوعی (AI) این مقالات را بسیار پیچیده و دشوار برای درک خود خواهند یافت. در حالی‌که الگوریتم‌های سلسله‌مراتبی رایج در هوش مصنوعی، شبیه به تقسیم اهداف سالانه در یک شرکت به واحدهای مختلف هستند (مانند آنچه در کتاب دکتر یان لیکان (Dr. Yann LeCun) توصیف شده)، بسیاری از عملکردهای مغز انسان و حیوانات بیشتر به‌صورت پایین به بالا (bottom-up) سازماندهی شده‌اند.
من امیدوارم این کتاب نقطه‌ی شروع خوبی برای مهندسان و دانشمندان علوم کامپیوتر باشد تا بتوانند از زاویه‌ی دید خود به مسائل بپردازند. البته این موضوع همچنان در حیطه‌ی علمی قرار دارد و بهتر است پیامدهای اجتماعی و فلسفی آن بیش از حد تفسیر نشود.
تبیین:
این بخش از پیشگفتار به شکاف موجود بین پیشرفتهای علوم اعصاب و درک آنها از سوی جامعه‌ی هوش مصنوعی اشاره دارد. علوم اعصاب با کمک فناوری‌های بسیار دقیق و نوین توانسته‌اند به جزئی‌ترین لایه‌های فعالیت نورونی دست یابند، اما حجم و پیچیدگی داده‌ها و اصطلاحات تخصصی باعث می‌شود که برای بسیاری از پژوهشگران هوش مصنوعی، فهم مستقیم این داده‌ها دشوار باشد.
در مقابل، مدل‌های هوش مصنوعی اغلب بر اساس ساختارهای سلسله‌مراتبی (hierarchical) طراحی می‌شوند، در حالی‌که مغز واقعی انسان و حیوانات بیشتر بر اساس سازوکارهای پایین به بالا عمل می‌کند، به این معنا که اطلاعات حسی اولیه، ساختارهای بالادستی را تحریک و شکل می‌دهند. بنابراین، این کتاب تلاشی است برای نزدیک‌کردن این دو حوزه، بدون اینکه وارد بحث‌های غیرعلمی و تفسیرهای اجتماعی یا فلسفی شود.
From academician Xiongli Yang’s lecture in Shanghai No. 3 Middle School, I mostly remembered the elegant 4-leaf fans hanging from the ceilings, a slide on potential gender differences in the brain, and that he only needs 6 hours of sleep every night. A few years later (almost 20 years ago), I tried to take a neuroscience class, but des elected the course after listening to the first class, thanks to the flexible system at Fudan University. It can be safely said that I have no formal training in neuroscience. I got to play with Mathematica models of neuronal firing in an elective class at Case Western Reserve University (and have to apologize for being unable to find the professor’s name now).
ترجمه:
از سخنرانی آکادمیک ژیونگ‌لی یانگ (Xiongli Yang) در دبیرستان شماره ۳ شانگهای، بیش از هر چیز، پنکه‌های شیک چهارپره‌ای که از سقف آویزان بودند، یک اسلاید درباره‌ی تفاوت‌های احتمالی جنسیتی در مغز، و اینکه او تنها به ۶ ساعت خواب شبانه نیاز دارد در ذهنم مانده است.
چند سال بعد (تقریباً ۲۰ سال پیش)، تصمیم گرفتم در یک کلاس علوم اعصاب شرکت کنم، اما پس از حضور در جلسه‌ی اول و به لطف نظام آموزشی منعطف دانشگاه فودان، آن واحد را حذف کردم. بنابراین با اطمینان می‌توان گفت که من هیچ آموزش رسمی در زمینه‌ی علوم اعصاب (neuroscience) ندیده‌ام.
در دوران تحصیل در دانشگاه کیس وسترن رزرو (Case Western Reserve University)، در یکی از دروس اختیاری، با مدل‌های ریاضیاتی شلیک نورونی (neuronal firing) در نرم‌افزار Mathematica کار کردم، اما متأسفانه اکنون نام استاد آن کلاس را به خاطر نمی‌آورم و بابت این موضوع باید عذرخواهی کنم.
تبیین:
این بخش از متن، صراحت نویسنده را در اشاره به مسیر غیررسمی ورود به دنیای علوم اعصاب نشان می‌دهد. برخلاف آنچه انتظار می‌رود از نویسنده‌ی یک کتاب علمی، او با صداقت اذعان دارد که هیچ آموزش آکادمیک ساختاریافته‌ای در این حوزه نداشته و حتی کلاس علوم اعصابی که ثبت‌نام کرده بود، پس از جلسه‌ی اول کنار گذاشته است.
اما علاقه و کنجکاوی او نسبت به مغز و سیستم عصبی باعث شده که از مسیرهای جایگزین—مانند سخنرانی‌ها، مشاهدات تجربی، و کار با ابزارهای مدل‌سازی مانند Mathematica—به شناخت عملی و تحلیلی از موضوع برسد. این مسیر خودآموخته، روحیه‌ی کاوشگر نویسنده را نشان می‌دهد و زمینه‌ی فلسفی کتاب را تقویت می‌کند، زیرا از ابتدا با دیدگاهی تجربی و میان‌رشته‌ای به علوم اعصاب و ارتباط آن با هوش مصنوعی می‌نگرد.
And after finding excellent collaborations with doctors in China, especially Drs. Xiancang Ma, Feng Zhu, and Dr. Zhenxin Zhang, we (Ruijin Guo at BGI) have been doing some interesting work on neuropsychiatric and neurodegenerative diseases.
ترجمه:
و پس از یافتن همکاری‌های فوق‌العاده با پزشکانی در چین، به‌ویژه با دکتر «شیان‌تسانگ ما» (Dr. Xiancang Ma)، دکتر «فنگ ژو» (Dr. Feng Zhu)، و دکتر «ژن‌زین ژانگ» (Dr. Zhenxin Zhang)، ما (به همراه «روی‌جین گوئو» (Ruijin Guo) در مؤسسه BGI)، شروع به انجام برخی کارهای جالب در زمینه بیماری‌های اعصاب-روان‌پزشکی (Neuropsychiatric diseases) و بیماری‌های تحلیل‌برنده عصبی (Neurodegenerative diseases) کرده‌ایم.
تبیین:
این بخش از پیشگفتار به نقطه آغاز فعالیت‌های علمی نویسنده در حوزه علوم اعصاب کاربردی (Applied Neuroscience) و پزشکی ترجمانی (Translational Medicine) اشاره دارد. همکاری با متخصصان بالینی، به‌ویژه در کشور چین، به او امکان داده تا از دانش مولکولی و فناوری‌های پیشرفته مانند توالی‌یابی ژنتیکی در مؤسسه BGI برای بررسی بیماری‌های پیچیده روان‌پزشکی و عصبی مانند اسکیزوفرنی (Schizophrenia)، اختلالات خلقی (Mood Disorders)، و آلزایمر (Alzheimer’s Disease) استفاده کند.
دو کلیدواژه اصلی این بخش، یعنی Neuropsychiatric diseases و Neurodegenerative diseases، به گروهی از اختلالات اشاره دارند که در آنها مغز به‌صورت تدریجی دچار اختلال در عملکرد یا ساختار می‌شود و غالباً با تغییرات شناختی، هیجانی یا حرکتی همراه هستند.
اهمیت این همکاری‌ها در آن است که پژوهشگران حوزه فناوری و ژنومیک می‌توانند با تعامل نزدیک با پزشکان، به فهم دقیق‌تری از مکانیزم‌های زیستی پشت این بیماری‌ها برسند و از این راه به توسعه الگوریتم‌های بهتر در هوش مصنوعی پزشکی (AI in Medicine) کمک کنند.
Thank you for being interested in this book. It has been great fun to piece together discrete information for a coherent and, to my knowledge, original picture. Before we completely understand how the brain works, it is probably a good idea to keep feeding it with new experiences.
ترجمه:
از اینکه به این کتاب علاقه‌مند شده‌اید سپاسگزارم. کنار هم قرار دادن اطلاعات پراکنده برای ساختن تصویری منسجم و ــ تا آن‌جا که من می‌دانم ــ بدیع، برایم بسیار لذت‌بخش بوده است. پیش از آنکه کاملاً بفهمیم مغز چگونه کار می‌کند، احتمالاً ایده‌ی خوبی است که همچنان آن را با تجربیات جدید تغذیه کنیم.
تبیین:
این بخش از متن با قدردانی از خواننده آغاز می‌شود و به فرایند تدوین دانش پراکنده (assembling discrete information) برای ایجاد درکی جامع از عملکرد مغز اشاره دارد. نویسنده با استفاده از واژه “original picture” تأکید می‌کند که هدف او ارائه روایتی نوآورانه از علوم اعصاب (Neuroscience) است.
در جمله پایانی، نویسنده به یک دیدگاه تجربی‌گرایانه (Empiricist) اشاره می‌کند: تا زمانی که عملکرد مغز به‌طور کامل برای ما روشن نشده است، بهتر است با تجربه‌های جدید (new experiences) مغز را فعال و پویا نگه داریم. این ایده با یافته‌های علوم اعصاب شناختی نیز هم‌راستا است که نشان می‌دهند تحریکات محیطی و یادگیری مداوم موجب تقویت شبکه‌های عصبی، نورون‌زایی (Neurogenesis) و حفظ عملکرد شناختی می‌شوند.
به‌بیان دیگر، ذهن انسان در مواجهه با اطلاعات تازه، بهتر عمل می‌کند، و این کتاب نیز تلاشی است برای تغذیه مغز خوانندگان با داده‌های نوین و تلفیق‌شده از علوم اعصاب، محاسبات و هوش مصنوعی.
Huijue Jia Shanghal February 2022
Acknowledgments
سپاسگزاری‌ها / قدردانی‌ها
I sincerely thank the staff at Jenny Stanford Publishing, Jenny, Arvind, and probably many more people I didn’t get to know, for giving me the opportunity to publish this book. I thank Arvind for inviting expert previews and Prof. Kasai and Prof. Schüz for their enthusiasm and rigor. I’m an expert in neither neuroscience nor AI. And I have to apologize for being unable to cite all the literature from the different fields of neuroscience. I thank Yanzheng Meng, Changxing Su, Fei Li, and Lilan Hao for improving the figures for publication and Yanmei Ju for help with some references. I thank my dear husband, Dong, for support and for inspiration and my parents, and teachers over the years, for having nurtured a young and always curious brain. Prof. Carlos Bustamante from Berkeley said during a luncheon before a seminar that as scientists we should always push the boundary, instead of staying safely behind.
ترجمه:
صمیمانه از کارکنان انتشارات Jenny Stanford، به‌ویژه Jenny، Arvind و احتمالاً بسیاری دیگر که نامشان را نمی‌دانم، بابت فراهم کردن فرصت انتشار این کتاب سپاسگزاری می‌کنم. از Arvind بابت دعوت از کارشناسان برای مرور اولیه و از پروفسور Kasai و پروفسور Schüz بابت شور و دقت علمی‌شان قدردانی می‌کنم. من در هیچ‌یک از دو حوزه‌ی علوم اعصاب (Neuroscience) و هوش مصنوعی (AI) متخصص نیستم و بابت ناتوانی در ارجاع دادن به تمام منابع علمی مرتبط از شاخه‌های مختلف علوم اعصاب پوزش می‌طلبم. از Yanzheng Meng، Changxing Su، Fei Li و Lilan Hao بابت بهبود تصاویر برای انتشار و از Yanmei Ju بابت کمک در تهیه برخی منابع، تشکر می‌کنم. از همسر عزیزم، Dong، به‌خاطر حمایت و الهام‌بخشی، و از والدین و آموزگارانم طی این سال‌ها، که ذهنی جوان و همیشه کنجکاو را پرورش دادند، سپاسگزارم. پروفسور Carlos Bustamante از دانشگاه برکلی در یک ناهار پیش از سمیناری گفته بود: «ما به عنوان دانشمند باید همیشه مرزها را پیش ببریم، نه آنکه در پشت آنها به‌طور امن باقی بمانیم.»
تبیین:
این بخش، قدردانی نویسنده از افراد و نهادهایی است که در فرآیند نگارش و انتشار کتاب نقش داشته‌اند. نویسنده با تأکید بر اینکه متخصص علوم اعصاب یا هوش مصنوعی نیست، تواضع علمی خود را نشان می‌دهد، اما همزمان بر تلاش برای هم‌افزایی بین‌دانشی نیز صحه می‌گذارد.
نکته‌ی برجسته در این متن، جمله‌ی پایانی نقل‌شده از پروفسور Carlos Bustamante است که دیدگاه پیشرو و نوآورانه‌ای از علم را مطرح می‌کند: علم باید با پیش‌روی در مرزهای دانش همراه باشد، نه پناه گرفتن در حاشیه‌ی امن دانسته‌ها. این دیدگاه با هدف اصلی کتاب ــ یعنی پیوند میان دانش عصبی و محاسباتی برای پیشرفت علمی نوین ــ هماهنگ است. همچنین، اشاره به ذهن «همیشه کنجکاو» نشان می‌دهد که روحیه‌ی پژوهشگری با کنجکاوی و میل به کشف زنده می‌ماند، نه با توقف در دانسته‌های فعلی.
January 2023
کتاب «علوم اعصاب برای هوش مصنوعی»
