تیم توسعه‌دهنده پروژه Fly Language Model (FLM) اعلام کرده است که موفق شده‌اند کامل‌ترین نقشه ارتباطی (Connectome) سیستم عصبی مرکزی مگس میوه نر را (نسخه MaleCNS v1.0) به هسته یک مدل زبانی ثابت و آموزش‌دیده متصل کنند. این سیستم که بر پایه معماری LiquidAI LFM2.5-1.2B-Instruct ساخته شده، ادعا می‌کرد نخستین مدل زبانی مبتنی بر اتصال عصبی است، اما گزارش نهایی پژوهشگر سازنده نشان می‌دهد که این پیوند پیچیده، تأثیر مثبتی بر عملکرد مدل نداشته است.

معماری هیبریدی و محدودیت حافظه#

در این طرح، از تمام ۱۶۶,۷۰۰ گره و بیش از ۲۵ میلیون یال مستقیمِ نگهداری‌شده در نمودار عصبی مگس استفاده شده است. برخلاف تصور رایج درباره هوش مصنوعی زیستی، تنها بخش کوچکی از این سیستم آموزش دیده است: ۲۷۸,۵۲۸ پارامتر برای خواندن خروجی، در حالی که بقیه ساختار و مدل زبانی اصلی کاملاً ثابت (Frozen) هستند. ورودی‌ها از طریق یک تصویرسازی گاوسی فیکس شده به ۱۲۸ کانال فشرده می‌شوند و سپس در سراسر گراف عصبی به‌روز می‌شوند.

تحلیل‌ها نشان می‌دهد که بازگشت اطلاعات در این گراف عصبی بسیار سریع محو می‌شود. تفاوت‌های اولیه حالت سیستم حداکثر ۰.۶ واحد در هر توکن کاهش می‌یابد؛ پس از ۱۰ توکن این مقدار به ۰.۰۰۶۰۵ و پس از ۲۰ توکن به ۰.۰۰۰۳۶۶ می‌رسد. این یعنی تجمع هزاران سلول عصبی مگس، توانایی ایجاد حافظه بلندمدت در مدل را فراهم نمی‌کند و زمینه (Context) همچنان توسط خودِ مدل زبانی پایه مدیریت می‌شود.

کنترل‌ها: شبکه عصبی کمکی نمی‌کند#

نتایج ارزیابی روی مجموعه داده SmolTalk حاوی ۱,۲۳۶ توکن هدف، شکاف قابل توجهی بین انتظار و واقعیت را نشان داد. اگرچه مدل FLM خطای نسبتاً اندکی (۰.۰۲۲۲ نات/توکن) نسبت به هسته خام داشت، اما یک «مدل کنترل» طراحی شد که همان پیش‌بینی‌های توکن را مستقیماً به موتور خواندن ارسال می‌کرد، بدون اینکه از گراف عصبی مگس عبور دهد. این مدل کنترل‌شده در هر سه نمونه آزمایش، عملکردی کمی بهتر از مدل دارای اتصالات عصبی ارائه داد.

  • حذف خطوط ارتباطی: وقتی وزن‌های عصبی صفر شدند، خطا دقیقاً برابر با مدل پایه شد، که اثبات می‌کند گراف در محاسبات حضور دارد.
  • تغییر نام گره‌ها: وقتی هویت گره‌ها بدون آموزش مجدد تغییر یافت، عملکرد به سطح پایه برگشت. این نشان می‌دهد موفقیت (یا عدم موفقیت) ناشی از توالی یادگیری رابط است، نه برتری ذاتی_topology_ مگس.

این یافته‌ها چالش جالبی را مطرح می‌کند: حتی با مقیاس کامل شبکه عصبی مگس میوه و اتصال آن به یک مدل قدرتمند، ساختار بیولوژیکی به تنهایی مزیتی رقابتی ایجاد نکرد و ادعای «اولین بودن» نیز با احتیاط بیشتری باید بررسی شود. در چنین سناریوهایی که نیاز به پردازش ارجاعات پیچیده وجود دارد، استفاده از راهکارهایی مانند ریسکد سرویس LangCache می‌تواند بهینه‌سازی هزینه‌ها را تسهیل کند. همچنین بررسی الگوهای مشابه در ابزارهای جدید مانند چارچوب ToolGrad گوگل نشان می‌دهد که تمرکز بر داده‌های کاربردی همچنان اولویت اصلی توسعه‌گران است.

منبع: MarkTechPost