اکنون كولائی خان دیگر نیازی به ارسال ماركو پولو در سفرهای دوردست ندارد: او او را بازی كرد و بازی های بی پایان شطرنج را انجام داد. آگاهی از امپراتوری در الگویی که توسط تغییرات زاویه ای شوالیه ترسیم شده بود ، توسط معابر مورب که توسط هجوم اسقف ها باز شده بود ، توسط آج و پرحرف ، محتاطانه پادشاه و پیاده فروتن ، توسط فراز و نشیب های غیرقابل توصیف هر بازی پنهان شد.

– دایتالو کالوینو ، شهرهای نامرئی

شهرهای نامرئی یکی از کتابهای مورد علاقه من است. در آن ، مارکو پولو در سراسر امپراتوری کوبلای خان سفر می کند تا قصه های شهرهای مختلف خیالی را بازگرداند. امپراتور تصمیم می گیرد که فقط با انجام بازی های شطرنج با کاوشگر ، هر آنچه را که می توان در مورد این زمین آموخت ، فاش می شود. من می دانم که این قسمت از نزدیک با مشکلی که از زمان آغاز آن روانشناسی تجربی را گرفتار کرده است ، از اعتبار زیست محیطی تنظیمات تجربی است.

روانشناسان غالباً مجبورند به عنوان ایستاده برای محیط های پیچیده در دنیای واقعی به کارهای و تنظیمات قابل کنترل متوسل شوند. به عنوان مثال ، برای مطالعه برنامه ریزی انسانی ، محققان اغلب به بازی هایی مانند Go ، برج هانوی یا شطرنج متوسل می شوند. این امر منطقی است زیرا مطالعه برنامه ریزی “در طبیعت” بسیار دشوار است. اما این قیاس تا چه حد می تواند کشیده شود؟ فکر کردن در مورد مسیرها در یک شهر هزارتوی مانند فکر کردن در مورد حرکت در هیئت شطرنجی چقدر است؟

در یک آزمایش اخیر ، اکنون در PNA، ما راهی پیدا کردیم که فراتر از مجموعه شطرنج و برنامه ریزی تست در دنیای واقعی باشیم. برای انجام این کار ، ما به مهارت های باورنکردنی رانندگان تاکسی لندن اعتماد کردیم که به دلیل تسلط بر “دانش لندن” جشن گرفته شد. این دانش عمیق از مسیرها در 26000 خیابان در جهان بی نظیر است. در نتیجه آموزش آنها ، مغز آنها تغییر می کند و کابین ها به طور معروف به هیپوکامپ خلفی بزرگتر – صندلی شناخت مکانی – نسبت به یک فرد متوسط ​​رسیده اند.

هوگو اسپیرز و اوا گریسبائر (از UCL) فهمیدند که بخش اصلی آموزش راننده کابین می تواند برای مطالعه فرآیندهای شناختی خود سازگار باشد: رانندگان کابین باید بتوانند خیابان ها را “فراخوانی” کنند و مسیر بین هر منشأ و مقصد در لندن را تغییر دهند. این کابین ها قادر به انجام آن هستند به خودی خود بسیار باورنکردنی است. اما دلیل جالب ما این است که پنجره ای را در ذهن آنها باز می کند. آنها قبل از شروع به فراخوانی خیابان ها مکث می کنند و بین خیابان ها مکث می کنند. مدت مکثهای آنها چقدر شاخص قابل اعتماد از بار شناختی است که در تماس با خیابان بعدی در مسیر وجود دارد.

Dan McNamee ، دانشمند علوم محاسباتی در بنیاد Champalinaud ، توانست از طول مکث در برنامه ریزی کلم استفاده کند تا فرآیندهای شناختی را که زیربنای چگونگی برنامه ریزی کابین ها است ، الگوبرداری کند. آنچه پیدا کردیم این است که آنچه آنها انجام می دهند با الگوریتم های هوش مصنوعی کلاسیک (AI) در مورد برنامه ریزی متفاوت است. رویکرد کلاسیک هوش مصنوعی یک الگوریتم جستجوی درخت است که شامل نمایندگی مسیرها و نقاط تصمیم گیری انشعاب است. به هر مسیر نمونه ای احتمال منجر به هدف اختصاص داده می شود و مسیر انتخاب شده مسیری است که این احتمال را به حداکثر می رساند. این تقریباً همان کاری است که NAV شما هنگام درخواست آن برای یافتن مسیری انجام می دهد.

برای انجام این کار ، هوش مصنوعی به منابع محاسباتی عظیمی نیاز دارد. در محیط هایی که به اندازه یک شهر بزرگ است ، این نوع رویکرد با آنچه به عنوان نفرین ابعاد شناخته می شود برخورد می کند: گزینه های زیادی وجود دارد که محاسبات غیرقابل تحمل می شوند. آنچه رانندگان تاکسی انجام می دهند بسیار باهوش تر است ، از این رو که بسیار کارآمدتر است. اینگونه است که Dan McNamee آن را توصیف می کند: “آنها به کل شبکه خیابان ها نگاه می کنند و ابتدا مهمترین اتصالات موجود در مسیر را در اولویت قرار می دهند و با استفاده از معیارهای نظری برای تعیین آنچه مهم است. این یک روش بسیار کارآمد برای برنامه ریزی است و اولین بار است که ما قادر به مطالعه آن در عمل هستیم. “

یک بحث بزرگ در فلسفه در مورد اینکه آیا فناوری ها می توانند به پسوند ذهن ما تبدیل شوند ، وجود دارد. چیزی که مطالعه ما نشان می دهد این است که ذهن انسان کاملاً متفاوت از هوش مصنوعی است. بنابراین ، اگر می خواهیم برنامه ریزی مسیر خود را به Google Maps بارگیری کنیم ، چیزهای زیادی وجود دارد که ممکن است در انتقال از بین برود. درعوض ، ما می توانیم در مورد روشهای هوشمندانه ای که انسان در آن فعالیت می کند برای ساختن الگوریتم هایی که از منابع کمتری برخوردار هستند ، بیاموزیم و می توانیم بر روشهایی که AI می تواند به جای جایگزین کردن شناخت انسان مکمل باشد ، تمرکز کنیم.