جنبههای نوظهور و چالشهای بین رشته ای

در دهه ی اخیر خانواده الگوریتمهایی که تحت عنوان یادگیری عمیق جمع آوری شده اند هوش مصنوعی را متحول کرده اند و ماشینها را قادر میسازند تا در بسیاری از کارهای پیچیده شناختی به عملکردهای انسان مانند دست یابند اگرچه مدلهای یادگیری عمیق مبتنی بر پارادایم پیوندگرا هستند؛ اما پیشرفتهای اخیر آنها اساسا با هدفهای مهندسی توسعه یافته است. با وجود تمرکز کاربردی، مدلهای یادگیری عمیق در نهایت برای هدفهای شناختی مثمر ثمر به نظر میرسند این مقاله به بررسی درهم تنیدگی یادگیری عمیق و علوم شناختی با تمرکز بر اینکه چگونه عملکردهای شناختی مانند توجه و حافظه بر توسعه شبکه های عصبی پویا تاثیر گذاشته اند میپردازد علیرغم موفقیت مدلهای یادگیری عمیق در دستیابی به عملکرد شبیه انسان، به ویژه در پردازش زبان طبیعی این مدلها در مورد فرآیندهای شناختی ،انسانی تفسیرهای زیاد روشنی را ارائه نمیدهند این ،مقاله، به روش مروری، و بررسی پژوهشهای اخیر و منابع کتابخانه ای به بحث های رایج در علوم ،شناختی به ویژه تغییر جهت و دور شدن از پارادایم های بازنمایی و محاسباتی سنتی میپردازد و یادآور میشود که مدلهای یادگیری عمیق بدون ادغام کامل این دیدگاه های نظری، به نتایج چشمگیری دست یافته اند و سوالهایی در مورد نقش فرآیندهای محاسباتی اساسی در شناخت ایجاد می کنند. در مقاله حاضر، استدلال می شود؛ در حالی که پیشرفتهای یادگیری عمیق، عمدتا توسط مهندسی هدایت میشوند؛ اما به طور فزاینده ای به حوزه علوم شناختی مرتبط هستند در نهایت در این مقاله قابلیت تعامل بین رشته ای برجسته میشود و مشخص میشود که شبکه های می توانند به عنوان مدلهای شناختی ارزشمند عمل کرده و در نتیجه هم علوم شناختی و هم پژوهشهای هوش مصنوعی را غنی تر میکنند.

کلیدواژه ها:

شبکه های عصبی عمیق ، علوم ، شناختی هوش مصنوعی ، یادگیری عمیق