🦎 تکامل هوش مصنوعی الهام‌گرفته از طبیعت

♻️در شرکت Sakana AI رویکردی تازه پیشنهاد شده: به‌جای ساخت یک «مغز غول‌آسا»، باید هوش مصنوعی را مثل یک اکوسیستم توسعه داد؛ جایی که مدل‌ها با هم رقابت می‌کنند، همکاری می‌کنند و مهارت‌هایشان را به اشتراک می‌گذارند.

این روش با نام M2N2 (Model Merging of Natural Niches) معرفی شده است.

🔑 چگونه کار می‌کند؟

✳️مرزهای انعطاف‌پذیر در ادغام: مدل‌ها به‌جای اتصال لایه‌های ثابت، بخش‌های متغیری از پارامترها را مثل تبادل DNA با هم جابه‌جا می‌کنند.

✳️رقابت برای داده‌ها: مدل‌ها برای منابع محدود با هم رقابت کرده و به «متخصصان» در حوزه‌های خاص تبدیل می‌شوند.

✳️انتخاب شریک مناسب: ترکیب مدل‌هایی که نقاط قوت‌شان مکمل یکدیگر است؛ جایی که یکی قوی است، دیگری ضعیف، و برعکس.


📊 دستاوردها

✳️در سطح پایه: فقط با ادغام شبکه‌های تصادفی توانستند یک طبقه‌بند MNIST بسازند که با روش‌های کلاسیک تکاملی قابل مقایسه است، اما سریع‌تر و ارزان‌تر.

✳️در مقیاس بزرگ: ادغام یک مدل «ریاضی‌دان» و یک مدل «عامل» سیستمی ایجاد کرد که هر دو نوع وظیفه را با دقت بالا انجام می‌دهد.

✳️در مدل‌های چندوجهی: با ترکیب مدل‌های text-to-image ویژه زبان ژاپنی، خروجی نهایی هم درک بهتری از دستورات ژاپنی داشت و هم مهارت‌های انگلیسی خود را حفظ کرد — بدون «فراموشی» دانش پیشین.


✳️این رویکرد نشان می‌دهد آینده‌ی هوش مصنوعی شاید نه در یک مدل عظیم و یکپارچه، بلکه در اکوسیستمی پویا از مدل‌های تخصصی باشد که با هم تکامل پیدا می‌کنند، نقاط قوت‌شان را به اشتراک می‌گذارند و انعطاف‌پذیرتر و خلاق‌تر می‌شوند.

🟠 مقاله: https://arxiv.org/abs/2508.16204
🟠 کد: https://github.com/SakanaAI/natural_niches

#هوش_مصنوعی #مدل‌_تکاملی #یادگیری_عمیق #SakanaAI #M2N2 #AI

@rss_ai_ir