مرکز تحقیقات علوم اعصاب

ﭘﺎرﯾﺪوﻟﯿﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ:

آﯾﺎ ﻣﺎﺷﯿﻦﻫﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ ﭼﻬﺮهﻫﺎ را در اﺟﺴﺎم ﺑﯽ ﺟﺎن ﺗﺸﺨﯿﺺ دﻫﻨﺪ؟

در ﺳﺎل ۱۹۹۴، داﯾﺎﻧﺎ دوﯾﺴﺮ، ﯾﮏ ﻃﺮاح ﺟﻮاﻫﺮات در ﻓﻠﻮرﯾﺪا، ﺗﺼﻮﯾﺮ ﻣﺮﯾﻢ ﻣﻘﺪس را در ﯾﮏ ﺳﺎﻧﺪوﯾﭻ ﭘﻨﯿﺮ ﮐﺒﺎﺑﯽ ﻣﺸﺎﻫﺪه ﮐﺮد و ﺑﻌﺪﺗﺮ آن را ﺑﻪ ﻗﯿﻤﺖ ۲۸۰۰۰ دﻻر ﺑﻪ ﺣﺮاج ﮔﺬاﺷﺖ. ﻣﺸﺎﻫﺪه ﭼﻬﺮهﻫﺎ ﯾﺎ اﻟﮕﻮﻫﺎ در داﺧﻞ اﺟﺴﺎم، در ﺣﺎﻟﯽ ﮐﻪ در واﻗﻌﯿﺖ ﭼﻨﯿﻦ ﺗﺼﺎوﯾﺮی وﺟﻮد ﻧﺪارﻧﺪ، را ﭘﺎرﯾﺪوﻟﯿﺎ ﯾﺎ ﺷﺒﯿﻪ ﭘﻨﺪاری )ﻣﻌﻨﺎ ﭘﻨﺪاری( ﻣﯽﻧﺎﻣﻨﺪ. ﺗﺎ ﭼﻪ ﻣﯿﺰان درﺑﺎره اﯾﻦ ﭘﺪﯾﺪه ﻣﯽ داﻧﯿﻢ؟

ﻣﻄﺎﻟﻌﻪ ﺟﺪﯾﺪ اﻧﺠﺎم ﮔﺮﻓﺘﻪ در آزﻣﺎﯾﺸﮕﺎه ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ و ﻫﻮش ﻣﺼﻨﻮﻋﯽ (CSAIL) MIT ﺑﻪ اﯾﻦ ﭘﺪﯾﺪه ﻣﯽﭘﺮدازد و ﻣﺠﻤﻮﻋﻪ داده ﮔﺴﺘﺮدهای را ﺑﺎ ﺑﺮﭼﺴﺐ اﻧﺴﺎﻧﯽ از ۵۰۰۰ ﺗﺼﻮﯾﺮ ﭘﺎرﯾﺪوﻟﯿﮏ ﻣﻌﺮﻓﯽ ﻣﯽﮐﻨﺪ ﮐﻪ ﺑﺴﯿﺎر ﻓﺮاﺗﺮ از ﻣﺠﻤﻮﻋﻪﻫﺎی ﻗﺒﻠﯽ اﺳﺖ. ﺑﺎ اﺳﺘﻔﺎده از اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده، ﭘﮋوﻫﺸﮕﺮان ﻧﺘﯿﺠﻪﻫﺎی ﺷﮕﻔﺖاﻧﮕﯿﺰ ﺑﺴﯿﺎری در ﻣﻮرد ﺗﻔﺎوتﻫﺎی ادراک اﻧﺴﺎن و ﻣﺎﺷﯿﻦ، ﯾﺎﻓﺘﻪاﻧﺪ.

ﻣﺎرک ﻫﻤﯿﻠﺘﻮن، داﻧﺸﺠﻮی دﮐﺘﺮای MIT در رﺷﺘﻪ ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ و ﭘﮋوﻫﺸﮕﺮ اﺻﻠﯽ اﯾﻦ ﻣﻄﺎﻟﻌﻪ، ﻣﯽﮔﻮﯾﺪ: »ﭘﺎرﯾﺪوﻟﯿﺎی ﭼﻬﺮه، ﻣﺪتﻫﺎﺳﺖ ﮐﻪ روانﺷﻨﺎﺳﺎن را ﻣﺠﺬوب ﺧﻮد ﮐﺮده اﺳﺖ، ﻣﺎ ﻣﯽﺧﻮاﺳﺘﯿﻢ ﻣﻨﺒﻌﯽ اﯾﺠﺎد ﮐﻨﯿﻢ ﮐﻪ ﺑﺘﻮاﻧﺪ ﺑﻪ ﻣﺎ ﮐﻤﮏ ﮐﻨﺪ ﺗﺎ ﺑﻔﻬﻤﯿﻢ اﻧﺴﺎنﻫﺎ و ﺳﯿﺴﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﭼﮕﻮﻧﻪ اﯾﻦ ﭼﻬﺮهﻫﺎی ﺗﻮﻫﻢآﻣﯿﺰ را ﭘﺮدازش ﻣﯽﮐﻨﻨﺪ«.

ﺑﻪ ﻧﻈﺮ ﻧﻤﯽرﺳﺪ ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﺎﻧﻨﺪ اﻧﺴﺎنﻫﺎ ﭼﻬﺮهﻫﺎی ﭘﺎرﯾﺪوﻟﯿﮏ را ﺗﺸﺨﯿﺺ دﻫﻨﺪ. در ﮐﻤﺎل ﺗﻌﺠﺐ، ﭘﮋوﻫﺸﮕﺮان ﺣﺎﺿﺮ در اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻣﺘﻮﺟﻪ ﺷﺪﻧﺪ ﮐﻪ از زﻣﺎﻧﯽ ﮐﻪ اﻟﮕﻮرﯾﺘﻢﻫﺎﯾﯽ را ﺑﺮای ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﺣﯿﻮاﻧﺎت آﻣﻮزش دادﻧﺪ، ﻣﺪلﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ در ﺗﺸﺨﯿﺺ ﭼﻬﺮهﻫﺎی ﭘﺎرﯾﺪوﻟﯿﮏ ﺑﺴﯿﺎر ﺑﻬﺘﺮ ﺷﺪﻧﺪ. اﯾﻦ ارﺗﺒﺎط ﻏﯿﺮﻣﻨﺘﻈﺮه ﺑﻪ ﯾﮏ ﭘﯿﻮﻧﺪ اﺣﺘﻤﺎﻟﯽ ﻣﯿﺎن ﺗﻮاﻧﺎﯾﯽ اﻧﺴﺎن در ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﺣﯿﻮاﻧﺎت - ﮐﻪ ﺑﺮای ﺑﻘﺎ ﺑﺴﯿﺎر ﻣﻬﻢ اﺳﺖ - و ﺗﻤﺎﯾﻞ او ﺑﻪ دﯾﺪن ﭼﻬﺮه در اﺟﺴﺎم ﺑﯽﺟﺎن اﺷﺎره دارد. ﻫﻤﯿﻠﺘﻮن ﻣﯽﮔﻮﯾﺪ: »ﺑﻪ ﻧﻈﺮ ﻣﯽرﺳﺪ ﻧﺘﯿﺠﻪای ﻣﺎﻧﻨﺪ اﯾﻦ ﻧﺸﺎن ﻣﯽدﻫﺪ ﮐﻪ ﭘﺎرﯾﺪوﻟﯿﺎ ﻣﻤﮑﻦ اﺳﺖ ﻧﺎﺷﯽ از رﻓﺘﺎر اﺟﺘﻤﺎﻋﯽ اﻧﺴﺎن ﻧﺒﺎﺷﺪ، ﺑﻠﮑﻪ از ﭼﯿﺰی ﻋﻤﯿﻖﺗﺮ ﻧﺎﺷﯽ ﺷﻮد: ﻣﺎﻧﻨﺪ دﯾﺪن ﺳﺮﯾﻊ ﺑﺒﺮی در ﮐﻤﯿﻦ، ﯾﺎ ﺗﺸﺨﯿﺺ اﯾﻨﮑﻪ آﻫﻮ ﺑﻪ ﭼﻪ ﺳﻤﺘﯽ ﻧﮕﺎه ﻣﯽﮐﻨﺪ ﺗﺎ اﺟﺪاد اوﻟﯿﻪ ﻣﺎ ﺑﺘﻮاﻧﻨﺪ ﺷﮑﺎرش ﮐﻨﻨﺪ«.

اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده ﺟﺪﯾﺪ، »ﭼﻬﺮهﻫﺎ در اﺷﯿﺎ«، ﻧﺘﺎﯾﺞ ﻣﻄﺎﻟﻌﺎت ﻗﺒﻠﯽ را ﮐﻪ ﻣﻌﻤﻮﻻً ﺗﻨﻬﺎ از ۲۰ ﺗﺎ ۳۰ ﻣﺤﺮک اﺳﺘﻔﺎده ﻣﯽﮐﺮدﻧﺪ، ﻣﺤﺪودﺗﺮ ﻣﯽﮐﻨﺪ. اﯾﻦ ﻣﻘﯿﺎس اﯾﻦ اﺟﺎزه را ﺑﻪ ﭘﮋوﻫﺸﮕﺮان ﻣﯽدﻫﺪ ﺗﺎ ﺑﺮرﺳﯽ ﮐﻨﻨﺪ ﭼﮕﻮﻧﻪ اﻟﮕﻮرﯾﺘﻢﻫﺎی ﺗﺸﺨﯿﺺ ﭼﻬﺮهی state-of-the-art ﭘﺲ از ﺗﻨﻈﯿﻢ دﻗﯿﻖ روی ﭼﻬﺮهﻫﺎی ﭘﺎرﯾﺪوﻟﯿﮏ رﻓﺘﺎر ﻣﯽﮐﻨﻨﺪ؛ ﻧﺘﺎﯾﺞ اﯾﻦ ﺑﺮرﺳﯽﻫﺎ ﻧﺸﺎن ﻣﯽدﻫﺪ ﻧﻪ ﺗﻨﻬﺎ اﯾﻦ اﻟﮕﻮرﯾﺘﻢﻫﺎ ﻣﯽ ﺗﻮاﻧﻨﺪ ﺑﺮای ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﺗﻐﯿﯿﺮ ﮐﻨﻨﺪ، ﺑﻠﮑﻪ ﻣﯽﺗﻮاﻧﻨﺪ ﻧﻘﺶ ﯾﮏ ﺳﯿﻠﯿﮑﻮن stand-in را ﺑﺮای ﻣﻐﺰ ﻣﺎ ﺑﺎزی ﮐﻨﻨﺪ.

اﯾﻦ ﻣﻮارد ﺑﻪ ﻣﺤﻘﻘﺎن اﯾﻦ اﺟﺎزه را ﻣﯽدﻫﺪ ﮐﻪ ﭘﺮﺳﺶﻫﺎﯾﯽ را درﺑﺎره رﯾﺸﻪﻫﺎی ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﭘﺎرﯾﺪوﻟﯿﮏ ﻣﻄﺮح ﮐﻨﻨﺪ و ﭘﺎﺳﺦ دﻫﻨﺪ ﮐﻪ ﻃﺮح اﯾﻦ ﭘﺮﺳﺶﻫﺎ از اﻧﺴﺎنﻫﺎ ﻏﯿﺮﻗﺎﺑﻞ ﭘﺮﺳﺶ اﺳﺖ. ﺑﺮای ﺳﺎﺧﺖ اﯾﻦ ﻣﺠﻤﻮﻋﻪ داده، ﻣﺤﻘﻘﺎن ﺗﻘﺮﯾﺒﺎً ۲۰۰۰۰ ﺗﺼﻮﯾﺮ ﮐﺎﻧﺪﯾﺪ از ﻣﺠﻤﻮﻋﻪ داده LAION-5B را اﻧﺘﺨﺎب ﮐﺮدﻧﺪ ﮐﻪ ﺳﭙﺲ ﺑﻪ دﻗﺖ ﺑﺮﭼﺴﺐ ﮔﺬاری ﺷﺪﻧﺪ و ﺗﻮﺳﻂ ﺣﺎﺷﯿﻪ ﻧﻮﯾﺴﺎن اﻧﺴﺎﻧﯽ ﻣﻮرد ﻗﻀﺎوت ﻗﺮار ﮔﺮﻓﺘﻨﺪ. اﯾﻦ ﻓﺮآﯾﻨﺪ ﺷﺎﻣﻞ ﺗﺮﺳﯿﻢ ﺟﻌﺒﻪﻫﺎی ﻣﺮزی در اﻃﺮاف ﭼﻬﺮهﻫﺎی درکﺷﺪه و ﭘﺎﺳﺦﮔﻮﯾﯽ ﺑﻪ ﺳﺆاﻻت دﻗﯿﻖ در ﻣﻮرد ﻫﺮ ﭼﻬﺮه، ﻣﺎﻧﻨﺪ اﺣﺴﺎس درک ﺷﺪه، ﺳﻦ، و ﺗﺼﺎدﻓﯽ ﯾﺎ ﻋﻤﺪی ﺑﻮدن ﭼﻬﺮه ﺑﻮد. ﻫﻤﯿﻠﺘﻮن ﻣﯽﮔﻮﯾﺪ: »ﺟﻤﻊآوری و ﺣﺎﺷﯿﻪﻧﻮﯾﺴﯽ ﻫﺰاران ﺗﺼﻮﯾﺮ ﯾﮏ ﮐﺎر ﺑﺰرگ ﺑﻮد«.

اﯾﻦ ﻣﻄﺎﻟﻌﻪ ﻫﻤﭽﻨﯿﻦ ﮐﺎرﺑﺮدﻫﺎی ﺑﺎﻟﻘﻮهای در ﺑﻬﺒﻮد ﺳﯿﺴﺘﻢﻫﺎی ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﺑﺎ ﮐﺎﻫﺶ ﻣﻮارد ﻣﺜﺒﺖ ﮐﺎذب دارد ﮐﻪ ﻣﯽﺗﻮاﻧﺪ ﭘﯿﺎﻣﺪﻫﺎﯾﯽ در زﻣﯿﻨﻪﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﺧﻮدروﻫﺎی ﺧﻮدران، ﺗﻌﺎﻣﻞ اﻧﺴﺎن و راﯾﺎﻧﻪ و روﺑﺎﺗﯿﮏ داﺷﺘﻪ ﺑﺎﺷﺪ. ﻣﺠﻤﻮﻋﻪ دادهﻫﺎ و ﻣﺪلﻫﺎ ﻫﻤﭽﻨﯿﻦ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﻪ ﺣﻮزهﻫﺎﯾﯽ ﻣﺎﻧﻨﺪ ﻃﺮاﺣﯽ ﻣﺤﺼﻮل ﮐﻤﮏ ﮐﻨﻨﺪ، ﺟﺎﯾﯽ ﮐﻪ درک و ﮐﻨﺘﺮل ﭘﺎرﯾﺪوﻟﯿﺎ ﻣﯽﺗﻮاﻧﺪ ﻣﺤﺼﻮﻻت ﺑﻬﺘﺮی اﯾﺠﺎد ﮐﻨﺪ. ﻫﻤﯿﻠﺘﻮن ﻣﯽﮔﻮﯾﺪ: »ﺗﺼﻮر ﮐﻨﯿﺪ ﮐﻪ ﺑﺘﻮاﻧﯿﺪ ﻃﺮاﺣﯽ ﻣﺎﺷﯿﻦ ﯾﺎ اﺳﺒﺎبﺑﺎزی ﮐﻮدک را ﺑﻪﻃﻮر ﺧﻮدﮐﺎر ﺗﻐﯿﯿﺮ دﻫﯿﺪ ﺗﺎ دوﺳﺘﺎﻧﻪﺗﺮ ﺑﻪ ﻧﻈﺮ ﺑﺮﺳﺪ، ﯾﺎ اﻃﻤﯿﻨﺎن ﺣﺎﺻﻞ ﮐﻨﯿﺪ ﮐﻪ ﻇﺎﻫﺮ ﯾﮏ دﺳﺘﮕﺎه ﭘﺰﺷﮑﯽ، ﺑﻪ ﻃﻮر ﻧﺎﺧﻮاﺳﺘﻪ، ﺗﻬﺪﯾﺪﮐﻨﻨﺪه ﺑﻪ ﻧﻈﺮ ﻧﻤﯽرﺳﺪ.«

او ﻫﻤﭽﻨﯿﻦ اﺿﺎﻓﻪ ﻣﯽﮐﻨﺪ: »اﯾﻦ ﺷﮕﻔﺖ اﻧﮕﯿﺰ اﺳﺖ ﮐﻪ ﭼﮕﻮﻧﻪ اﻧﺴﺎنﻫﺎ ﺑﻪ ﻃﻮر ﻏﺮﯾﺰی، اﺷﯿﺎء ﺑﯽ ﺟﺎن را ﺑﺎ وﯾﮋﮔﯽﻫﺎی اﻧﺴﺎن ﻣﺎﻧﻨﺪ ﺗﻔﺴﯿﺮ ﻣﯽﮐﻨﻨﺪ. ﺑﺮای ﻣﺜﺎل، وﻗﺘﯽ ﺑﻪ ﭘﺮﯾﺰ ﺑﺮق ﻧﮕﺎه ﻣﯽﮐﻨﯿﺪ، ﻣﻤﮑﻦ اﺳﺖ ﻓﻮراً آن را در ﺣﺎل آواز ﺧﻮاﻧﺪن ﺗﺼﻮر ﮐﻨﯿﺪ، و ﺣﺘﯽ ﻣﯽﺗﻮاﻧﯿﺪ ﺗﺼﻮر ﮐﻨﯿﺪ ﮐﻪ ﭼﮕﻮﻧﻪ ﻟﺐﻫﺎﯾﺶ را ﺣﺮﮐﺖ ﻣﯽدﻫﺪ، ﺑﺎ اﯾﻦ ﺣﺎل، اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺑﻪﻃﻮر ﻃﺒﯿﻌﯽ اﯾﻦ ﭼﻬﺮهﻫﺎی ﮐﺎرﺗﻮﻧﯽ را ﻣﺎﻧﻨﺪ ﻣﺎ ﺗﺸﺨﯿﺺ ﻧﻤﯽدﻫﻨﺪ. اﯾﻦ ﭘﺪﯾﺪه ﺳﺆاﻻت ﺟﺎﻟﺒﯽ را اﯾﺠﺎد ﻣﯽ ﮐﻨﺪ: دﻟﯿﻞ اﯾﻦ ﺗﻔﺎوت ﺑﯿﻦ درک اﻧﺴﺎن و ﺗﻔﺴﯿﺮ اﻟﮕﻮرﯾﺘﻤﯽ ﭼﯿﺴﺖ؟ ﭘﺎرﯾﺪوﻟﯿﺎ ﻣﻔﯿﺪ اﺳﺖ ﯾﺎ ﻣﻀﺮ؟ ﭼﺮا اﻟﮕﻮرﯾﺘﻢﻫﺎ اﯾﻦ اﺛﺮ را ﻣﺎﻧﻨﺪ ﻣﺎ ﺗﺠﺮﺑﻪ ﻧﻤﯽﮐﻨﻨﺪ؟ اﯾﻦ ﺳﻮاﻻت ﺟﺮﻗﻪ ﺗﺤﻘﯿﻘﺎت ﻣﺎ را ﺑﺮاﻧﮕﯿﺨﺖ، زﯾﺮا اﯾﻦ ﭘﺪﯾﺪه رواﻧﺸﻨﺎﺧﺘﯽ ﮐﻼﺳﯿﮏ در اﻧﺴﺎن ﺑﻪ ﻃﻮر ﮐﺎﻣﻞ در اﻟﮕﻮرﯾﺘﻢﻫﺎ ﺑﺮرﺳﯽ ﻧﺸﺪه ﺑﻮد«.

ﻫﻤﺎﻧﻄﻮر ﮐﻪ ﻣﺤﻘﻘﺎن آﻣﺎده ﻣﯽﺷﻮﻧﺪ ﺗﺎ ﻣﺠﻤﻮﻋﻪ داده ﺧﻮد را ﺑﺎ ﺟﺎﻣﻌﻪ ﻋﻠﻤﯽ ﺑﻪ اﺷﺘﺮاک ﺑﮕﺬارﻧﺪ، آﻧﻬﺎ ﭘﯿﺸﺎﭘﯿﺶ ﻧﻈﺮ ﺑﻪ آﯾﻨﺪه دارﻧﺪ. 

ﻓﻌﺎﻟﯿﺖﻫﺎی آﯾﻨﺪه ﻣﻤﮑﻦ اﺳﺖ ﺷﺎﻣﻞ آﻣﻮزش ﻣﺪلﻫﺎی زﺑﺎن ﺑﯿﻨﺎﯾﯽ ﺑﺮای درک و ﺗﻮﺻﯿﻒ ﭼﻬﺮهﻫﺎی ﭘﺎرﯾﺪوﻟﯿﮏ ﺑﺎﺷﺪ ﮐﻪ ﺑﻪ ﻃﻮر ﺑﺎﻟﻘﻮه ﻣﻨﺠﺮ ﺑﻪ ﺳﯿﺴﺘﻢﻫﺎی ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﻣﯽﺷﻮد ﮐﻪ ﻣﯽﺗﻮاﻧﻨﺪ ﺑﺎ ﻣﺤﺮکﻫﺎی ﺑﺼﺮی ﺑﻪ روشﻫﺎﯾﯽ ﺑﯿﺸﺘﺮ ﺷﺒﯿﻪ ﺑﻪ اﻧﺴﺎن درﮔﯿﺮ ﺷﻮﻧﺪ.

ﻣﺤﻘﻘﺎن دﯾﮕﺮ ﮐﺸﻒ ﺟﺎﻟﺐ در اﯾﻦ زﻣﯿﻨﻪ را »ﻣﻨﻄﻘﻪ ﻃﻼﯾﯽ ﭘﺎرﯾﺪوﻟﯿﺎ« ﻣﯽﻧﺎﻣﻨﺪ؛ دﺳﺘﻪای از ﺗﺼﺎوﯾﺮ ﮐﻪ اﺣﺘﻤﺎل وﻗﻮع ﭘﺎرﯾﺪوﻟﯿﺎ در آنﻫﺎ ﺑﯿﺸﺘﺮ اﺳﺖ. وﯾﻠﯿﺎم ﺗﯽ ﻓﺮﯾﻤﻦ، اﺳﺘﺎد ﻣﻬﻨﺪﺳﯽ ﺑﺮق و ﻋﻠﻮم ﮐﺎﻣﭙﯿﻮﺗﺮ MIT و ﻣﺤﻘﻖ اﺻﻠﯽ اﯾﻦ ﭘﺮوژه، ﻣﯽﮔﻮﯾﺪ: »ﺑﺎزه ﺧﺎﺻﯽ از ﭘﯿﭽﯿﺪﮔﯽ ﺑﺼﺮی وﺟﻮد دارد ﮐﻪ در آن اﻧﺴﺎنﻫﺎ و ﻣﺎﺷﯿﻦﻫﺎ ﺑﻪ اﺣﺘﻤﺎل زﯾﺎد ﭼﻬﺮهﻫﺎ را در اﺟﺴﺎم ﻏﯿﺮﭼﻬﺮه درک ﻣﯽﮐﻨﻨﺪ. ﻫﻢ ﺧﯿﻠﯽ ﺳﺎده اﺳﺖ و ﺟﺰﺋﯿﺎت ﮐﺎﻓﯽ ﺑﺮای ﺷﮑﻞ دادن ﺑﻪ ﭼﻬﺮه وﺟﻮد ﻧﺪارد؛ و ﻫﻢ ﺧﯿﻠﯽ ﭘﯿﭽﯿﺪه اﺳﺖ و ﺑﻪ ﻧﻮﯾﺰ ﺑﺼﺮی ﺗﺒﺪﯾﻞ ﻣﯽ ﺷﻮد«. ﺑﺮای ﮐﺸﻒ اﯾﻦ ﻣﻮﺿﻮع، ﮔﺮوه ﻣﺤﻘﻘﺎن ﻣﻌﺎدﻟﻪای را ﺗﻮﺳﻌﻪ دادﻧﺪ ﮐﻪ ﻧﺤﻮه ﺗﺸﺨﯿﺺ ﭼﻬﺮهﻫﺎی ﺗﻮﻫﻢ آﻣﯿﺰ ﺗﻮﺳﻂ اﻓﺮاد و اﻟﮕﻮرﯾﺘﻢﻫﺎ را ﻣﺪل ﻣﯽﮐﻨﺪ. ﻫﻨﮕﺎم ﺗﺠﺰﯾﻪ و ﺗﺤﻠﯿﻞ اﯾﻦ ﻣﻌﺎدﻟﻪ، آﻧﻬﺎ ﯾﮏ »ﻗﻠﻪ ﭘﺎرﯾﺪوﻟﯿﮏ« واﺿﺢ ﭘﯿﺪا ﮐﺮدﻧﺪ ﮐﻪ در آن اﺣﺘﻤﺎل دﯾﺪن ﭼﻬﺮه ﻫﺎ در ﺑﺎﻻﺗﺮﯾﻦ ﺣﺪ اﺳﺖ، ﮐﻪ ﻣﺮﺑﻮط ﺑﻪ ﺗﺼﺎوﯾﺮی اﺳﺖ ﮐﻪ دارای »ﻣﻘﺪار ﻣﻨﺎﺳﺐ« ﭘﯿﭽﯿﺪﮔﯽ ﻫﺴﺘﻨﺪ. ﺳﭙﺲ اﯾﻦ »ﻣﻨﻄﻘﻪ ﻃﻼﯾﯽ« ﭘﯿﺶﺑﯿﻨﯽﺷﺪه، در آزﻣﺎﯾﺶﻫﺎﯾﯽ ﺑﺎ ﺳﻮژه ﻫﺎی اﻧﺴﺎﻧﯽ واﻗﻌﯽ و ﺳﯿﺴﺘﻢﻫﺎی ﺗﺸﺨﯿﺺ ﭼﻬﺮه ﺑﺎ ﻫﻮش ﻣﺼﻨﻮﻋﯽ ﺗﺄﯾﯿﺪ ﺷﺪ.

:References

1. Hamilton M, Stent S, DuTell V, Harrington A, Corbett J, Rosenholtz R, Freeman WT. Seeing Faces in Things: A Model and Dataset for Pareidolia. arXiv preprint arXiv:2409.16143. 2024 Sep 24.

2. https://news.mit.edu/2024/ai-pareidolia-can-machines-spot- faces-in-inanimate-objects-0930

ﮔﺮدآوری و ﺑﺎزﻧﻮﯾﺴﯽ: اﺣﺴﺎن ارﺗﮕﻠﯽ ﻓﺮاﻫﺎﻧﯽ داﻧﺸﺠﻮی داروﺳﺎزی، داﻧﺸﮕﺎه ﻋﻠﻮم ﭘﺰﺷﮑﯽ ﺷﻬﯿﺪ ﺑﻬﺸﺘﯽ