شبكة عصبية تتعلم أن تحب وتكره، تمامًا مثلك

تتفوق الشبكات العصبية العميقة بالفعل على البشر في التعرف على الأشياء، وتوليد كلام مقنع، ولعب الشطرنج على مستوى أستاذ كبير. ما لم تفعله بعد، على الأقل بشكل مقنع، هو تعلم الشعور، أو على الأقل محاكاة كيف ترتبط المشاعر بالمشاهد. ورقة بحثية جديدة نُشرت على arXiv في 21 يوليو 2026، تقترح ذلك بالضبط: شبكة عصبية تلافيفية تتعلم ربط المشاهد البصرية بمدى إيجابي أو سلبي من خلال حلقة إشراط بافلوفي كلاسيكية.

الورقة البحثية، بعنوان "التعلم العاطفي الترابطي في الشبكات العصبية التلافيفية"، تأتي من باحثين جمعوا وحدة تشفير بصري مع وحدة ثانية مدربة على التعرف على الأهمية العاطفية على طول بُعد المدى (Valence)، المحور من اللطيف إلى غير السار الذي يعتبر حجر الزاوية في علم الأعصاب العاطفي. ثم اختبر الفريق نموذج تعلم بافلوفي جديد على البنية المجمعة. تظهر النتائج أن الشبكة يمكنها تكوين ارتباطات، وتعميمها على محفزات جديدة، وتحويل تمثيلاتها الداخلية بحيث تصبح المحفزات المشروطة وغير المشروطة أكثر توافقًا بمرور الوقت، وهو نمط يعكس ما يحدث في الدماغ البشري أثناء التعلم الترابطي.

من قاعدة ريسكورلا-فاغنر إلى التعلم العميق

التعلم الترابطي لديه نموذج حسابي راسخ: قاعدة ريسكورلا-فاغنر، التي تُحدّث القيمة المتوقعة لمحفز مشروط بناءً على الفرق بين ما كان متوقعًا وما حدث بالفعل. يعمل النموذج بشكل جيد مع تجارب الإشراط البسيطة ولكنه يكافح للتوسع مع المدخلات المعقدة عالية الأبعاد مثل الصور الطبيعية. يجادل المؤلفون بأن الشبكات العصبية العميقة تقدم طريقة لتجاوز هذا القيد من خلال تعلم تمثيلات غنية للميزات مباشرة من البكسلات.

تستخدم بنيتهم شبكة CNN مدربة مسبقًا كنواة بصرية لتشفير المشاهد، تليها شبكة صغيرة تتعلم التنبؤ بالمدى (Valence) لكل تمثيل مشفر. أثناء التدريب، يُعرض على النموذج محفز محايد، صورة لشكل هندسي مثلًا، يتبعه محفز ذو مدى طبيعي، كمشهد لطيف أو غير سار. على مدار التجارب، يتعلم التنبؤ بمدى المحفز الثاني من الأول وحده، وهي استجابة مشروطة قياسية. الجديد هو أن خط الأنابيب بأكمله قابل للتفاضل من البداية إلى النهاية، لذا يتشكل الارتباط من خلال الانحدار التدرجي بدلاً من قاعدة تحديث مصممة يدويًا.

ما يفعله النموذج المهم

تذكر الورقة ثلاثة اكتشافات تتجاوز العمل الحالي. أولاً، يشكل النموذج ارتباطات بعد عدد متواضع من الاقترانات، بما يتوافق مع منحنيات التعلم البشرية. ثانيًا، إنه يعمم: شكل مشروط للتنبؤ بنتيجة إيجابية يؤدي إلى تنبؤ بمدى مماثل عند تقديمه بلون أو اتجاه جديد، وهي ظاهرة تعرف باسم تعميم المحفزات في علم النفس. ثالثًا، تصبح التمثيلات العصبية للمحفز المشروط والمحفز غير المشروط أكثر تشابهًا خلال عملية التعلم، سواء على مستوى الوحدات الفردية أو عبر المجموعة، وهو أمر لوحظ في الفيزيولوجيا الكهربية للرئيسيات ولكن نادرًا في الشبكات الاصطناعية.

قارن المؤلفون أيضًا مخرجات النموذج ببيانات سلوكية بشرية من تجربة منفصلة لتصنيف المدى. يذكرون أن تنبؤات المدى للنموذج ترتبط مع التصنيفات البشرية، على الرغم من أن الورقة لا تحدد معامل الارتباط الدقيق، تاركة ذلك كفجوة للعمل المستقبلي أو المواد التكميلية.

ما لا يزال مفقودًا

على الرغم من أناقته، فإن للنموذج حدودًا واضحة. المدى (Valence) هو بُعد واحد للعاطفة، وهو بُعد بسيط نسبيًا، في جوهره إشارة (+/−) مع مقدار. إنه لا يلتقط الإثارة (Arousal) أو الهيمنة (Dominance) أو الحالات العاطفية المتباينة مثل الخوف أو الاشمئزاز أو الفرح التي لا يستطيع المدى وحده تمييزها. لا تدعي الورقة أنها تصمم التجربة العاطفية الكاملة؛ إنها تصمم تعلم ارتباطات المدى. هذا قطاع ذو مغزى ولكنه ضيق مما يفعله الدماغ أثناء التعلم العاطفي.

يستخدم النموذج أيضًا التعلم الخاضع للإشراف، تأتي تسميات المدى من شروحات بشرية لصور التدريب. هذا معقول لإثبات المفهوم، ولكن التعلم العاطفي الحقيقي غير خاضع للإشراف: تكتشف الكائنات الحية ما هو لطيف أو غير سار من خلال التفاعل، وليس من مجموعة بيانات موسومة مسبقًا. لا يزال العامل الذي يتعلم المدى من خلال استكشاف بيئته، بدلاً من قراءة مجموعة بيانات موسومة مسبقًا، مشكلة مفتوحة.

مع ذلك، يضيف العمل إلى مجموعة متزايدة من الأدلة على أن الشبكات العميقة يمكنها إعادة إنتاج التوقيعات السلوكية والعصبية للعمليات المعرفية التي كانت تُعتبر في يوم من الأيام فوضوية جدًا أو ذاتية للغاية بالنسبة للأنظمة الاصطناعية. الفجوة بين نموذج يتعلم ربط الأشكال بالمدى ونظام يمكن القول بأن لديه أي شيء مثل الشعور لا تزال كبيرة، لكنها أضيق مما كانت عليه قبل هذه الورقة.