Προκειμένου να βελτιωθεί η ζωή των ανθρώπων, η τεχνητή νοημοσύνη πρέπει να είναι ανθρωποκεντρική καταρχήν. Όπως εξηγεί ο επικεφαλής επιστήμονας Google Cloud Fei-Fei Li, στην πράξη, αυτό σημαίνει βελτίωση των δεξιοτήτων επικοινωνίας και συνεργασίας εκτός από τη διαφοροποίηση των ομάδων που αναπτύσσουν αυτές τις τεχνολογίες.

Τεχνητή νοημοσύνη σήμερα

Μία από τις μεγαλύτερες εταιρείες τεχνητής νοημοσύνης (AI) είναι η Google, μια εταιρεία που πολλοί συνδέουν με τη δημοφιλή μηχανή αναζήτησης. Με τα χρόνια, οι ειδικοί της ανέπτυξαν τεχνητή νοημοσύνη, κάτι που φαίνεται σε ορισμένα από τα τρέχοντα προϊόντα. Για παράδειγμα, το Google Assistant, το οποίο κυκλοφόρησε σε smartphone Android τον Φεβρουάριο. Επιπλέον, η τεχνητή νοημοσύνη βοηθά επίσης την προαναφερθείσα μηχανή αναζήτησης να κάνει τη δουλειά της. Τέλος, το έξυπνο ηχείο Google Home είναι εξοπλισμένο με σύστημα AI. Αυτή τη στιγμή, η τεχνητή νοημοσύνη μοιάζει με μαθητή της πρώτης δημοτικού, αλλά μακροπρόθεσμα, θα μπορούσε να φτάσει στο σημείο να γίνει πιο έξυπνη από τον μέσο άνθρωπο που αλληλεπιδρά μαζί της.

Ωστόσο, για να επιτευχθεί αυτός ο στόχος, η ίδια η τεχνητή νοημοσύνη θα πρέπει πρώτα να γίνει πιο ανθρώπινη. Τουλάχιστον αυτό πιστεύει η Fei-Fei Li, επικεφαλής επιστήμονας στο Google Cloud και διευθυντής του Stanford Artificial Intelligence and Vision Lab. Κατά τη γνώμη της, με αυτόν τον τρόπο η τεχνητή νοημοσύνη θα μας βοηθήσει να βελτιώσουμε την καθημερινότητά μας και να παρέχουμε ψυχολογική άνεση ενώ επικοινωνούμε μαζί της.

Σε μια συνέντευξη στο MIT Technology Review, ο Li εξήγησε ότι η σκέψη για τον αντίκτυπο της τεχνητής νοημοσύνης στον κόσμο γύρω μας είναι ένα κρίσιμο μέρος της αναλυτικής διαδικασίας και ότι η εργασία με την τεχνητή νοημοσύνη έχει δείξει ξεκάθαρα ότι οι μελλοντικές εξελίξεις πρέπει να είναι πιο ανθρωποκεντρικές. .

Ανάπτυξη νοημοσύνης μηχανών

«Αν αξιολογήσουμε σε ποιο επίπεδο έχει φτάσει η τεχνολογία AI αυτή τη στιγμή, τότε κατά τη γνώμη μου ο πιο εντυπωσιακός δείκτης θα είναι η εξαιρετική αναγνώριση προτύπων. Η σύγχρονη τεχνητή νοημοσύνη επικεντρώνεται υπερβολικά στο , της λείπει η επίγνωση των συμφραζομένων και η ευέλικτη μάθηση που είναι εγγενής στους ανθρώπους. Θέλουμε επίσης να κάνουμε την τεχνολογία που κάνει τη ζωή των ανθρώπων καλύτερη, ασφαλέστερη, πιο παραγωγική και καλύτερη στην εργασία — και αυτό απαιτεί πολύ υψηλό επίπεδο αλληλεπίδρασης ανθρώπου-μηχανής», λέει ο Li.

Μπορούμε ήδη να δούμε τα πρώτα σημάδια μιας τέτοιας τάσης, αν και οι δυνατότητές της δεν έχουν ακόμη αποκαλυφθεί. Για παράδειγμα, τον Ιούλιο, το Google DeepMind έδειξε τεχνητή νοημοσύνη που έχει «φαντασία» και είναι σε θέση να αναλύει πληροφορίες και να σχεδιάζει ενέργειες χωρίς ανθρώπινη παρέμβαση. Η εταιρεία είπε ότι το πνευματικό της τέκνο είναι «στα πρόθυρα» να μπορεί να μιμηθεί τέλεια την ανθρώπινη ομιλία. Μια άλλη τεχνολογία της Google, το Google Clips, είναι σε θέση να τραβήξει φωτογραφίες από μόνη της, εξαλείφοντας την ανάγκη να μαντέψει κάποιος την «τέλεια στιγμή» για φωτογράφηση. Αυτό ταιριάζει καλά με το όραμα του Lee, αλλά υπογραμμίζει επίσης την ανάγκη για περαιτέρω εργασία για την αυτοδυναμία του AI.

Η τεχνητή νοημοσύνη ως ο ιδανικός άνθρωπος του μέλλοντος

Όπως διαβεβαιώνει ο Lee, μια απλή αναβάθμιση της τεχνητής νοημοσύνης και η προσθήκη νέων χαρακτηριστικών σε αυτήν δεν θα είναι αρκετή. Όσο ισχυρότερη είναι η σύνδεση μεταξύ μιας μηχανής και ενός ατόμου, τόσο υψηλότερος είναι ο κίνδυνος ανήθικων τμημάτων της κοινωνίας να επηρεάσουν την τεχνητή νοημοσύνη και επομένως, πρώτα απ 'όλα, χρειάζεται μια δημιουργική προσέγγιση και συλλογική εργασία πολλών ειδικών εδώ.

«Όταν δημιουργείτε μια τεχνολογία που είναι ευρέως διαδεδομένη και διαδραματίζει κρίσιμο ρόλο για την ανθρωπότητα, τότε, φυσικά, πρέπει να βεβαιωθείτε ότι φέρει τις αξίες που είναι εγγενείς σε όλους τους ανθρώπους και εξυπηρετεί τις ανάγκες ολόκληρου του πληθυσμού της Γης . Εάν οι προγραμματιστές καταβάλλουν κάθε δυνατή προσπάθεια για να διασφαλίσουν ότι το πρόγραμμα είναι εξίσου χρήσιμο για όλους ανεξαιρέτως, αυτό θα επιτρέψει πράγματι μια επανάσταση στα συστήματα τεχνητής νοημοσύνης.

Φυσικά, η τεχνητή νοημοσύνη είναι το εισιτήριό μας για το μέλλον. Όμως, όντας απλώς ένα εργαλείο στα χέρια ενός ατόμου, μπορεί να χρησιμοποιηθεί τόσο για καλούς όσο και για ιδιοτελείς, μερικές φορές ακόμη και για παράνομους σκοπούς. Εάν αυτή η τεχνολογία προορίζεται να αλλάξει τον κόσμο, τότε ας ελπίσουμε ότι οι επιστήμονες θα κάνουν τη σωστή επιλογή.

Αλγοριθμική Τεχνητή Νοημοσύνη, μηχανική κατανόηση της φυσικής γλώσσας, π.χ. συστήματα ερωτήσεων και πρόσβαση σε βάσεις δεδομένων φυσικής γλώσσας, μετάφραση από τη μια γλώσσα στην άλλη, αναγνώριση προτύπων, ανάλυση εικόνας τρισδιάστατων σκηνών, συστήματα αναπαράστασης λογιστικών γνώσεων και λογικά συμπεράσματα, ευρετικός προγραμματισμός , απόδειξη θεωρημάτων, λήψη αποφάσεων, παιχνίδια, βάσεις δεδομένων, βάσεις γνώσεων, ρομπότ, έμπειρα συστήματα

Προκαταρκτικός ορισμός της σκέψης Ο εγκέφαλος προέκυψε και εξελίχθηκε για να εξασφαλίσει την ύπαρξη ζώων, δηλαδή για την επιβίωση. Ένας απλός λειτουργικός ορισμός της σκέψης είναι δυνατός, με βάση την ιδέα του τι είναι η σκέψη (άνθρωπος ή ζώο). Η σκέψη είναι μια ενεργή διαδικασία στον ζωντανό εγκέφαλο που στοχεύει: 1. να χτίσει στον εγκέφαλο ένα ενεργό ιεραρχικό μοντέλο του περιβάλλοντος, απαραίτητο και επαρκές για την αντίληψη του περιβάλλοντος και τον έλεγχο της ενεργητικής σκόπιμης συμπεριφοράς σε ένα πολυ-ακραίο περιβάλλον. 2. Εφαρμογή της διαδικασίας αντίληψης του περιβάλλοντος. 3. Εφαρμογή της διαδικασίας ελέγχου συμπεριφοράς σε ένα πολυακραίο περιβάλλον. 4. Εφαρμογή της μαθησιακής διαδικασίας. 5. επίλυση μη αλγοριθμικών (δημιουργικών) προβλημάτων.

Ο άνδρας δεν υποψιάστηκε καν την απουσία εγκεφάλου και αυτό δεν τον εμπόδισε να ζήσει μια πλήρη πνευματική ζωή. Ένας 44χρονος, επικεφαλής της δημοτικής διοίκησης. Ο συντελεστής γενικής νοημοσύνης - IQ - είναι 75, λεκτικός - 84, μη λεκτικός - 70. Αυτές δεν είναι πραγματικά πολύ μεγάλες τιμές, αλλά γενικά είναι πάνω από το κατώτερο όριο του κανόνα, το οποίο, κατά κανόνα, συμπίπτει με η τιμή των 70.

Υπάρχει ένας δράκος στον καθένα μας. Οργανωτικά, ο ανθρώπινος εγκέφαλος, όπως όλα τα ανώτερα ζώα, μπορεί υπό όρους να χωριστεί σε τρεις λειτουργικές δομές: τον εγκέφαλο των ερπετών, τον εγκέφαλο του στελέχους (συμπεριλαμβανομένου του νωτιαίου μυελού) και τον νεοφλοιό. Η συμπεριφορά, συμπεριλαμβανομένης της πνευματικής συμπεριφοράς, καθορίζεται από την ολοκληρωμένη, ενωμένη εργασία όλων αυτών των δομών. Όλα όσα κληρονομήσαμε από τα ερπετά είναι τόσο ανθρώπινα όσο και η ικανοποίηση ανώτερων πνευματικών αναγκών. Πολλές άκρως «πνευματικές» διδασκαλίες είναι ουσιαστικά μια μορφή ερπετικής συμπεριφοράς. Το να σκοτώσεις τον «Δράκο», σύμφωνα με τη μεταφορά του Ε. Σβαρτς, δεν είναι δυνατό. Με τον «Δράκο» δεν μπορείς παρά να συμφωνήσεις.

Η κλασική τεχνητή νοημοσύνη είναι απίθανο να ενσωματωθεί σε μηχανές σκέψης. το όριο της ανθρώπινης ευρηματικότητας σε αυτόν τον τομέα, προφανώς, θα περιοριστεί στη δημιουργία συστημάτων που μιμούνται το έργο του εγκεφάλου.

Η επιστήμη της τεχνητής νοημοσύνης (AI) βρίσκεται σε επανάσταση. Για να εξηγήσουμε τα αίτια και το νόημά του και να το θέσουμε σε προοπτική, πρέπει πρώτα να στραφούμε στην ιστορία.

Στις αρχές της δεκαετίας του 1950, το παραδοσιακό, κάπως ασαφές ερώτημα για το εάν μια μηχανή μπορούσε να σκεφτεί έδωσε τη θέση της στο πιο προσιτό ερώτημα εάν μια μηχανή που χειριζόταν φυσικά σύμβολα σύμφωνα με κανόνες που βασίζονται στη δομή μπορούσε να σκεφτεί. Αυτό το ερώτημα διατυπώνεται με μεγαλύτερη ακρίβεια επειδή η τυπική λογική και η θεωρία του υπολογισμού έχουν σημειώσει σημαντική πρόοδο τον προηγούμενο μισό αιώνα. Οι θεωρητικοί άρχισαν να εκτιμούν τις δυνατότητες των συστημάτων αφηρημένων συμβόλων που υφίστανται μετασχηματισμούς σύμφωνα με ορισμένους κανόνες. Φαινόταν ότι εάν αυτά τα συστήματα μπορούσαν να αυτοματοποιηθούν, τότε η αφηρημένη υπολογιστική τους ισχύς θα εκδηλωνόταν σε ένα πραγματικό φυσικό σύστημα. Τέτοιες απόψεις συνέβαλαν στη γέννηση ενός καλά καθορισμένου ερευνητικού προγράμματος σε μια αρκετά βαθιά θεωρητική βάση.

Μπορεί μια μηχανή να σκεφτεί;

Υπήρχαν πολλοί λόγοι για να απαντήσω ναι. Ιστορικά, μία από τις πρώτες και βαθύτερες αιτίες ήταν δύο σημαντικά αποτελέσματα της θεωρίας του υπολογισμού. Το πρώτο αποτέλεσμα ήταν η θέση του Church ότι κάθε αποτελεσματικά υπολογίσιμη συνάρτηση είναι αναδρομικά υπολογίσιμη. Ο όρος "αποτελεσματικά υπολογίσιμος" σημαίνει ότι υπάρχει κάποια "μηχανική" διαδικασία με την οποία είναι δυνατός ο υπολογισμός του αποτελέσματος σε πεπερασμένο χρόνο δεδομένων των δεδομένων εισόδου. "Αναδρομικά υπολογίσιμο" σημαίνει ότι υπάρχει ένα πεπερασμένο σύνολο πράξεων που μπορεί να εφαρμοστεί σε μια δεδομένη είσοδο και στη συνέχεια να εφαρμοστεί διαδοχικά και επανειλημμένα στα πρόσφατα ληφθέντα αποτελέσματα για να υπολογιστεί η συνάρτηση σε πεπερασμένο χρόνο. Η έννοια της μηχανικής διαδικασίας δεν είναι τυπική, αλλά μάλλον διαισθητική, και επομένως η θέση του Church δεν έχει επίσημη απόδειξη. Ωστόσο, μπαίνει στην καρδιά του τι είναι ο υπολογισμός και πολλά διαφορετικά στοιχεία συγκλίνουν για να το υποστηρίξουν.

Το δεύτερο σημαντικό αποτέλεσμα λήφθηκε από τον Alan M. Turing, ο οποίος έδειξε ότι οποιαδήποτε αναδρομικά υπολογίσιμη συνάρτηση μπορεί να υπολογιστεί σε πεπερασμένο χρόνο χρησιμοποιώντας μια στο μέγιστο απλοποιημένη μηχανή χειρισμού συμβόλων, η οποία αργότερα ονομάστηκε καθολική μηχανή Turing. Αυτό το μηχάνημα διέπεται από αναδρομικά ισχύοντες κανόνες που είναι ευαίσθητοι στην ταυτότητα, τη σειρά και τη θέση των στοιχειωδών συμβόλων που λειτουργούν ως είσοδος.

Ένα πολύ σημαντικό συμπέρασμα προκύπτει από αυτά τα δύο αποτελέσματα, δηλαδή ότι ένας τυπικός ψηφιακός υπολογιστής, εφοδιασμένος με το σωστό πρόγραμμα, αρκετά μεγάλη μνήμη και επαρκή χρόνο, μπορεί να υπολογίσει οποιαδήποτε συνάρτηση που βασίζεται σε κανόνες με είσοδο και έξοδο. Με άλλα λόγια, μπορεί να επιδείξει οποιοδήποτε συστηματικό σύνολο απαντήσεων σε αυθαίρετες επιρροές από το εξωτερικό περιβάλλον.

Ας το συγκεκριμενοποιήσουμε ως εξής: τα αποτελέσματα που συζητήθηκαν παραπάνω σημαίνουν ότι μια σωστά προγραμματισμένη μηχανή που χειρίζεται σύμβολα (εφεξής θα αναφέρεται ως μηχανή MC) πρέπει να ικανοποιεί τη δοκιμή Turing για την παρουσία ενός συνειδητού νου. Το τεστ Turing είναι καθαρά ένα τεστ συμπεριφοράς, ωστόσο οι απαιτήσεις του είναι πολύ ισχυρές. (Το πόσο έγκυρο είναι αυτό το τεστ, θα το συζητήσουμε παρακάτω, όπου συναντάμε το δεύτερο, θεμελιωδώς διαφορετικό «τεστ» για την παρουσία ενός συνειδητού μυαλού.) Σύμφωνα με την αρχική έκδοση του τεστ Turing, η είσοδος στη μηχανή MS θα πρέπει είναι ερωτήσεις και φράσεις στη φυσική καθομιλουμένη, τις οποίες πληκτρολογούμε στο πληκτρολόγιο της συσκευής εισόδου και η έξοδος είναι οι απαντήσεις του μηχανήματος MS που εκτυπώνονται από τη συσκευή εξόδου. Ένα μηχάνημα θεωρείται ότι έχει περάσει αυτό το τεστ για την παρουσία ενός συνειδητού νου, εάν οι απαντήσεις του δεν μπορούν να διακριθούν από αυτές που πληκτρολογήθηκαν από ένα πραγματικό, έξυπνο άτομο. Φυσικά, προς το παρόν κανείς δεν γνωρίζει τη λειτουργία με την οποία θα ήταν δυνατό να ληφθεί ένα αποτέλεσμα που δεν διαφέρει από τη συμπεριφορά ενός λογικού ανθρώπου. Αλλά τα αποτελέσματα των Church και Turing μας εγγυώνται ότι όποια και αν είναι αυτή η (προφανώς αποτελεσματική) λειτουργία, μια κατάλληλα σχεδιασμένη μηχανή MS μπορεί να την υπολογίσει.

Αυτό είναι ένα πολύ σημαντικό συμπέρασμα, ειδικά αν σκεφτεί κανείς ότι η περιγραφή του Turing για την αλληλεπίδραση με μια μηχανή μέσω μιας γραφομηχανής είναι ένας ασήμαντος περιορισμός. Το ίδιο συμπέρασμα ισχύει ακόμη και αν η μηχανή MC αλληλεπιδρά με τον κόσμο με πιο σύνθετους τρόπους: μέσω της συσκευής άμεσης όρασης, φυσικής ομιλίας, κ.λπ. Στο τέλος, η πιο σύνθετη αναδρομική συνάρτηση παραμένει υπολογίσιμη για τον Τούρινγκ. Απομένει μόνο ένα πρόβλημα: να βρεθεί αυτή η αναμφίβολα πολύπλοκη συνάρτηση που ελέγχει τις αποκρίσεις ενός ατόμου σε επιρροές από το εξωτερικό περιβάλλον και στη συνέχεια να γραφτεί ένα πρόγραμμα (ένα σύνολο αναδρομικά εφαρμοστέων κανόνων) με το οποίο η μηχανή MS θα υπολογίσει αυτή τη συνάρτηση. Αυτοί οι στόχοι αποτέλεσαν τη βάση του επιστημονικού προγράμματος της κλασικής τεχνητής νοημοσύνης.

Τα πρώτα αποτελέσματα ήταν ενθαρρυντικά

Οι μηχανές MC με έξυπνα προγραμματισμένα προγράμματα επέδειξαν μια ολόκληρη σειρά ενεργειών που φαινόταν να ανήκουν στις εκδηλώσεις του νου. Απάντησαν σε σύνθετες εντολές, έλυσαν δύσκολα αριθμητικά, αλγεβρικά και τακτικά προβλήματα, έπαιξαν πούλι και σκάκι, απέδειξαν θεωρήματα και διατήρησαν απλό διάλογο. Τα αποτελέσματα συνέχισαν να βελτιώνονται με την εμφάνιση μεγαλύτερων συσκευών αποθήκευσης, ταχύτερων μηχανών και την ανάπτυξη πιο ισχυρών και εξελιγμένων προγραμμάτων. Η κλασική ή «προγραμματισμένη» τεχνητή νοημοσύνη υπήρξε ένας πολύ ζωντανός και επιτυχημένος τομέας της επιστήμης από σχεδόν κάθε άποψη. Η επαναλαμβανόμενη άρνηση ότι οι μηχανές MC θα μπορούσαν τελικά να σκεφτούν φαινόταν προκατειλημμένη και ανενημέρωτη. Τα στοιχεία υπέρ μιας θετικής απάντησης στο ερώτημα που τέθηκε στον τίτλο του άρθρου φάνηκαν κάτι παραπάνω από πειστικά.

Φυσικά, υπήρχαν κάποιες ασάφειες. Πρώτα απ 'όλα, οι μηχανές MS δεν έμοιαζαν πολύ με τον ανθρώπινο εγκέφαλο. Ωστόσο και εδώ η κλασική τεχνητή νοημοσύνη είχε έτοιμη μια πειστική απάντηση. Πρώτον, το φυσικό υλικό από το οποίο είναι φτιαγμένο ένα μηχάνημα MS δεν έχει ουσιαστικά καμία σχέση με τη λειτουργία που υπολογίζει. Το τελευταίο περιλαμβάνεται στο πρόγραμμα. Δεύτερον, οι τεχνικές λεπτομέρειες της λειτουργικής αρχιτεκτονικής του μηχανήματος είναι επίσης άσχετες, καθώς εντελώς διαφορετικές αρχιτεκτονικές, σχεδιασμένες να λειτουργούν με εντελώς διαφορετικά προγράμματα, μπορούν ωστόσο να εκτελέσουν την ίδια λειτουργία εισόδου-εξόδου.

Ως εκ τούτου, ο στόχος της τεχνητής νοημοσύνης ήταν να βρει μια συνάρτηση που είναι χαρακτηριστική του νου ως προς την είσοδο και την έξοδο, καθώς και να δημιουργήσει το πιο αποτελεσματικό από πολλά πιθανά προγράμματα για να υπολογίσει αυτή τη συνάρτηση. Παράλληλα, ειπώθηκε ότι ο συγκεκριμένος τρόπος με τον οποίο υπολογίζεται η λειτουργία από τον ανθρώπινο εγκέφαλο δεν έχει σημασία. Αυτό ολοκληρώνει την περιγραφή της ουσίας της κλασικής τεχνητής νοημοσύνης και τους λόγους για μια θετική απάντηση στο ερώτημα που τίθεται στον τίτλο του άρθρου.

Μπορεί μια μηχανή να σκεφτεί; Υπήρχαν επίσης ορισμένα επιχειρήματα υπέρ μιας αρνητικής απάντησης. Κατά τη διάρκεια της δεκαετίας του 1960, αξιοσημείωτα αρνητικά επιχειρήματα ήταν σχετικά σπάνια. Μερικές φορές έχει διατυπωθεί η αντίρρηση ότι η σκέψη δεν είναι μια φυσική διαδικασία και ότι λαμβάνει χώρα σε μια άυλη ψυχή. Ωστόσο, μια τέτοια δυιστική άποψη δεν φαινόταν αρκετά πειστική ούτε από εξελικτική ούτε από λογική άποψη. Δεν είχε αποτρεπτική επίδραση στην έρευνα της τεχνητής νοημοσύνης.

Σκέψεις διαφορετικής φύσης προσέλκυσαν πολύ περισσότερο την προσοχή των ειδικών της τεχνητής νοημοσύνης. Το 1972, ο Hubert L. Dreyfus δημοσίευσε ένα βιβλίο που ασκούσε έντονη κριτική στις παρελάσεις επίδειξης νοημοσύνης σε συστήματα AI. Επισήμανε ότι αυτά τα συστήματα δεν μοντελοποίησαν επαρκώς την αληθινή σκέψη και αποκάλυψε ένα μοτίβο που είναι εγγενές σε όλες αυτές τις αποτυχημένες προσπάθειες. Κατά τη γνώμη του, τα μοντέλα δεν είχαν αυτό το τεράστιο απόθεμα μη τυπικής γενικής γνώσης για τον κόσμο που έχει κάθε άτομο, καθώς και την ικανότητα που είναι εγγενής στην κοινή λογική να βασίζεται σε ορισμένα στοιχεία αυτής της γνώσης, ανάλογα με τις απαιτήσεις ενός μεταβαλλόμενου περιβάλλοντος . Ο Ντρέιφους δεν αρνήθηκε τη θεμελιώδη δυνατότητα δημιουργίας ενός τεχνητού φυσικού συστήματος ικανού να σκέφτεται, αλλά ήταν πολύ επικριτικός στην ιδέα ότι αυτό μπορούσε να επιτευχθεί μόνο με το χειρισμό συμβόλων με αναδρομικά εφαρμοσμένους κανόνες.

Στους κύκλους των ειδικών της τεχνητής νοημοσύνης, καθώς και των φιλοσόφων του συλλογισμού Ντρέιφουςθεωρήθηκαν κυρίως κοντόφθαλμοι και προκατειλημμένοι, με βάση τις αναπόφευκτες απλουστεύσεις που ενυπάρχουν σε αυτό το πολύ νέο ακόμα πεδίο έρευνας. Ίσως αυτές οι ελλείψεις όντως έγιναν, αλλά, φυσικά, ήταν προσωρινές. Θα έρθει η στιγμή που πιο ισχυρά μηχανήματα και καλύτερα προγράμματα θα επιτρέψουν να απαλλαγούμε από αυτές τις ελλείψεις. Φαινόταν ότι ο χρόνος λειτουργεί για την τεχνητή νοημοσύνη. Έτσι, αυτές οι αντιρρήσεις δεν είχαν αξιοσημείωτο αντίκτυπο στην περαιτέρω έρευνα στον τομέα της τεχνητής νοημοσύνης.

Ωστόσο, αποδείχθηκε ότι ο χρόνος λειτούργησε Ντρέιφους: στα τέλη της δεκαετίας του '70 - αρχές της δεκαετίας του '80, η αύξηση της ταχύτητας και της μνήμης των υπολογιστών δεν αύξησε πολύ τις "νοητικές ικανότητές" τους. Αποδείχθηκε, για παράδειγμα, ότι η αναγνώριση προτύπων σε συστήματα μηχανικής όρασης απαιτεί έναν απροσδόκητα μεγάλο όγκο υπολογισμών. Για να ληφθούν πρακτικά αξιόπιστα αποτελέσματα, χρειαζόταν να ξοδεύεται όλο και περισσότερος χρόνος υπολογιστή, υπερβαίνοντας κατά πολύ τον χρόνο που απαιτείται για την εκτέλεση των ίδιων εργασιών για ένα βιολογικό σύστημα όρασης. Μια τόσο αργή διαδικασία προσομοίωσης ήταν ανησυχητική: τελικά, σε έναν υπολογιστή, τα σήματα διαδίδονται περίπου ένα εκατομμύριο φορές γρηγορότερα από ό,τι στον εγκέφαλο και η συχνότητα ρολογιού της κεντρικής μονάδας επεξεργασίας του υπολογιστή είναι περίπου τις ίδιες φορές υψηλότερη από τη συχνότητα οποιωνδήποτε ταλαντώσεων που βρέθηκαν στον εγκέφαλο. Κι όμως, σε ρεαλιστικές εργασίες, η χελώνα προσπερνά εύκολα τον λαγό.

Επιπλέον, για την επίλυση ρεαλιστικών προβλημάτων είναι απαραίτητο το πρόγραμμα υπολογιστή να έχει πρόσβαση σε μια εξαιρετικά μεγάλη βάση δεδομένων. Η δημιουργία μιας τέτοιας βάσης δεδομένων είναι ήδη ένα αρκετά δύσκολο πρόβλημα από μόνη της, αλλά επιδεινώνεται από μια άλλη περίσταση: πώς να παρέχεται πρόσβαση σε συγκεκριμένα, εξαρτώμενα από το περιβάλλον τμήματα αυτής της βάσης δεδομένων σε πραγματικό χρόνο. Καθώς οι βάσεις δεδομένων γίνονταν όλο και πιο μεγάλες, το πρόβλημα της πρόσβασης γινόταν πιο περίπλοκο. Μια εξαντλητική αναζήτηση κράτησε πάρα πολύ καιρό και οι ευρετικές μέθοδοι δεν ήταν πάντα επιτυχείς. Φόβους παρόμοιους με αυτούς που εκφράζει ο Ντρέιφους έχουν αρχίσει να συμμερίζονται ακόμη και ορισμένοι ειδικοί που εργάζονται στον τομέα της τεχνητής νοημοσύνης.

Εκείνη την εποχή (1980), ο John Searle παρουσίασε μια πρωτοποριακή κριτική ιδέα που έθεσε υπό αμφισβήτηση την πολύ θεμελιώδη υπόθεση της κλασικής ερευνητικής ατζέντας της τεχνητής νοημοσύνης, δηλαδή την ιδέα ότι ο σωστός χειρισμός δομημένων συμβόλων με την επαναληπτική εφαρμογή κανόνων που λαμβάνουν υπόψη τη δομή τους , μπορεί να αποτελεί την ουσία του συνειδητού νου.

Το κύριο επιχείρημα του Searle βασίστηκε σε ένα πείραμα σκέψης στο οποίο καταδεικνύει δύο πολύ σημαντικά γεγονότα. Αρχικά, περιγράφει ένα μηχάνημα MS που (όπως πρέπει να καταλάβουμε) υλοποιεί μια λειτουργία που, στην είσοδο και στην έξοδο, είναι ικανή να περάσει το τεστ Turing με τη μορφή μιας συνομιλίας που πραγματοποιείται αποκλειστικά στα κινέζικα. Δεύτερον, η εσωτερική δομή της μηχανής είναι τέτοια που ανεξάρτητα από τη συμπεριφορά της, δεν υπάρχει αμφιβολία στον παρατηρητή ότι ούτε η μηχανή στο σύνολό της, ούτε οποιοδήποτε μέρος της, καταλαβαίνει την κινεζική γλώσσα. Το μόνο που περιέχει είναι ένα άτομο που μιλά μόνο αγγλικά, ακολουθώντας τους κανόνες που αναγράφονται στις οδηγίες, με τη βοήθεια των οποίων οι χαρακτήρες πρέπει να χειραγωγούνται μπαίνοντας και βγαίνοντας από το γραμματοκιβώτιο στην πόρτα. Εν ολίγοις, το σύστημα ικανοποιεί θετικά το τεστ Turing, παρά το γεγονός ότι δεν έχει γνήσια κατανόηση της κινεζικής γλώσσας και του πραγματικού σημασιολογικού περιεχομένου των μηνυμάτων (βλ. άρθρο του J. Searle «The Mind of the Brain - a Computer Program? ").

Το γενικό συμπέρασμα από αυτό είναι ότι κάθε σύστημα που απλώς χειρίζεται φυσικά σύμβολα σύμφωνα με κανόνες ευαίσθητους στη δομή θα είναι στην καλύτερη περίπτωση μια κακή παρωδία ενός πραγματικού συνειδητού μυαλού, καθώς είναι αδύνατο να δημιουργηθεί "πραγματική σημασιολογία" απλώς περιστρέφοντας το κουμπί του " κενή σύνταξη». Πρέπει να σημειωθεί εδώ ότι ο Searle δεν προβάλλει ένα συμπεριφορικό (μη συμπεριφορικό) τεστ για την παρουσία της συνείδησης: τα στοιχεία του συνειδητού νου πρέπει να έχουν πραγματικό σημασιολογικό περιεχόμενο.

Υπάρχει ένας πειρασμός να κατηγορήσουμε τον Searle με το γεγονός ότι το σκεπτικό του πείραμα δεν είναι επαρκές, αφού το σύστημα που προτείνει, λειτουργώντας σαν «κύβος του Ρούμπικ», θα λειτουργήσει παράλογα αργά. Ωστόσο, ο Searle επιμένει ότι η ταχύτητα δεν παίζει κανέναν ρόλο σε αυτή την περίπτωση. Αυτός που σκέφτεται αργά εξακολουθεί να σκέφτεται σωστά. Όλα όσα είναι απαραίτητα για την αναπαραγωγή της σκέψης, σύμφωνα με την έννοια της κλασικής τεχνητής νοημοσύνης, κατά τη γνώμη του, είναι παρόντα στο «κινέζικο δωμάτιο».

Το άρθρο του Searle προκάλεσε ενθουσιώδεις απαντήσεις από ειδικούς της τεχνητής νοημοσύνης, ψυχολόγους και φιλοσόφους. Συνολικά, ωστόσο, αντιμετωπίστηκε με ακόμη μεγαλύτερη εχθρότητα από το βιβλίο του Ντρέιφους. Στο άρθρο του, το οποίο δημοσιεύεται ταυτόχρονα σε αυτό το τεύχος του περιοδικού, ο Searle προβάλλει μια σειρά από κριτικά επιχειρήματα ενάντια στην ιδέα του. Κατά τη γνώμη μας, πολλά από αυτά είναι θεμιτά, ειδικά εκείνοι των οποίων οι συγγραφείς «παίρνουν το δόλωμα», υποστηρίζοντας ότι αν και το σύστημα που αποτελείται από ένα δωμάτιο και το περιεχόμενό του είναι τρομερά αργό, εξακολουθεί να καταλαβαίνει κινέζικα.

Μας αρέσουν αυτές οι απαντήσεις, αλλά όχι επειδή πιστεύουμε ότι το κινέζικο δωμάτιο καταλαβαίνει κινέζικα. Συμφωνούμε με τη Searle ότι δεν τον καταλαβαίνει. Η έλξη αυτών των επιχειρημάτων είναι ότι αντανακλούν την αποτυχία αποδοχής του πολύ σημαντικού τρίτου αξιώματος στο επιχείρημα του Searle: «Η σύνταξη από μόνη της δεν συνιστά σημασιολογία και δεν αρκεί για την ύπαρξη της σημασιολογίας». Αυτό το αξίωμα μπορεί να είναι αληθινό, αλλά ο Searle δεν μπορεί να ισχυριστεί δικαιολογημένα ότι το γνωρίζει με βεβαιότητα. Επιπλέον, το να υποδηλώνει κανείς ότι είναι αλήθεια σημαίνει ότι το πρόγραμμα της κλασικής έρευνας της τεχνητής νοημοσύνης είναι ορθό, καθώς αυτό το πρόγραμμα βασίζεται στην πολύ ενδιαφέρουσα υπόθεση ότι εάν μπορούμε να θέσουμε σε κίνηση μόνο μια κατάλληλα δομημένη διαδικασία, ένα είδος εσωτερικός χορός συντακτικών στοιχείων, σωστά συνδεδεμένος με τις εισροές και τις εξόδους, τότε μπορούμε να πάρουμε τις ίδιες καταστάσεις και εκδηλώσεις του νου που είναι εγγενείς στον άνθρωπο.

Το ότι το τρίτο αξίωμα του Searle γεννά πραγματικά αυτό το ερώτημα γίνεται φανερό όταν το συγκρίνουμε απευθείας με το πρώτο του συμπέρασμα: «Τα προγράμματα εμφανίζονται ως η ουσία του νου και η παρουσία τους δεν είναι επαρκής για την παρουσία του νου». Δεν είναι δύσκολο να δούμε ότι το τρίτο του αξίωμα φέρει ήδη το 90% του συμπεράσματος σχεδόν πανομοιότυπο με αυτό. Αυτός είναι ο λόγος για τον οποίο το πείραμα σκέψης του Searle έχει σχεδιαστεί ειδικά για να υποστηρίξει το τρίτο αξίωμα. Αυτό είναι όλο το νόημα του κινέζικου δωματίου.

Αν και το παράδειγμα του κινεζικού δωματίου κάνει το αξίωμα 3 ελκυστικό για τους αμύητους, δεν πιστεύουμε ότι αποδεικνύει την εγκυρότητα αυτού του αξιώματος και για να δείξουμε την αποτυχία αυτού του παραδείγματος, προσφέρουμε το παράλληλό μας παράδειγμα ως ενδεικτικό. Συχνά ένα μόνο καλό παράδειγμα που αντικρούει έναν αμφισβητούμενο ισχυρισμό είναι πολύ καλύτερο στο να ξεκαθαρίσει την κατάσταση από ένα ολόκληρο βιβλίο γεμάτο λογικές ταχυδακτυλουργίες.

Υπήρξαν πολλά παραδείγματα σκεπτικισμού στην ιστορία της επιστήμης, όπως βλέπουμε στο σκεπτικό του Searle. Τον XVIII αιώνα. Ο Ιρλανδός επίσκοπος George Berkeley θεώρησε αδιανόητο ότι τα κύματα συμπίεσης στον αέρα θα μπορούσαν από μόνα τους να είναι η ουσία των ηχητικών φαινομένων ή ένας επαρκής παράγοντας για την ύπαρξή τους. Ο Άγγλος ποιητής και ζωγράφος William Blake και ο Γερμανός φυσιοδίφης Johann Goethe θεώρησαν αδιανόητο τα μικρά σωματίδια της ύλης να είναι τα ίδια μια οντότητα ή ένας παράγοντας επαρκής για την αντικειμενική ύπαρξη του φωτός. Ακόμη και σε αυτόν τον αιώνα υπήρξαν άνθρωποι που δεν μπορούσαν να φανταστούν ότι η άψυχη ύλη από μόνη της, όσο περίπλοκη κι αν είναι η οργάνωσή της, θα μπορούσε να είναι μια οργανική οντότητα ή μια επαρκής συνθήκη ζωής. Σαφώς, αυτό που οι άνθρωποι μπορεί ή όχι να φαντάζονται συχνά δεν έχει καμία σχέση με αυτό που πραγματικά υπάρχει ή δεν υπάρχει στην πραγματικότητα. Αυτό ισχύει ακόμα και όταν πρόκειται για άτομα με πολύ υψηλό επίπεδο νοημοσύνης.

Για να δούμε πώς αυτά τα ιστορικά μαθήματα μπορούν να εφαρμοστούν στη συλλογιστική του Searle, ας εφαρμόσουμε έναν τεχνητό παραλληλισμό στη λογική του και ας ενισχύσουμε αυτόν τον παραλληλισμό με ένα σκεπτικό πείραμα.

Αξίωμα 1. Ο ηλεκτρισμός και ο μαγνητισμός είναι φυσικές δυνάμεις.

Αξίωμα 2. Βασική ιδιότητα του φωτός είναι η φωτεινότητα.

Αξίωμα 3. Οι ίδιες οι δυνάμεις εμφανίζονται ως η ουσία του εφέ λάμψης και δεν επαρκούν για την παρουσία του.

Συμπέρασμα 1. Ο ηλεκτρισμός και ο μαγνητισμός δεν είναι η ουσία του φωτός και δεν επαρκούν για την ύπαρξή του.

Ας υποθέσουμε ότι αυτό το σκεπτικό δημοσιεύτηκε λίγο μετά Τζέιμς Κ. Μάξγουελτο 1864 πρότεινε ότι το φως και τα ηλεκτρομαγνητικά κύματα ήταν πανομοιότυπα, αλλά πριν πραγματοποιηθούν πλήρως στον κόσμο οι συστηματικοί παραλληλισμοί μεταξύ των ιδιοτήτων του φωτός και των ιδιοτήτων των ηλεκτρομαγνητικών κυμάτων. Ο παραπάνω λογικός συλλογισμός μπορεί να φαίνεται σαν μια πειστική αντίρρηση στην τολμηρή υπόθεση του Maxwell, ειδικά αν συνοδεύεται από το ακόλουθο σχόλιο προς υποστήριξη του Αξίωμα 3.

Σκεφτείτε ένα σκοτεινό δωμάτιο στο οποίο υπάρχει ένα άτομο που κρατά έναν μόνιμο μαγνήτη ή ένα φορτισμένο αντικείμενο στα χέρια του. Εάν ένα άτομο αρχίσει να κινεί τον μαγνήτη πάνω-κάτω, τότε, σύμφωνα με τη θεωρία του τεχνητού φωτισμού (AI) του Maxwell, μια σφαίρα διάδοσης ηλεκτρομαγνητικών κυμάτων θα προέλθει από τον μαγνήτη και το δωμάτιο θα γίνει πιο φωτεινό. Αλλά, όπως γνωρίζουν καλά όλοι όσοι έχουν προσπαθήσει να παίξουν με μαγνήτες ή φορτισμένες μπάλες, οι δυνάμεις τους (και για αυτό το θέμα, οποιεσδήποτε άλλες δυνάμεις), ακόμη και όταν αυτά τα αντικείμενα βρίσκονται σε κίνηση, δεν δημιουργούν καμία λάμψη. Ως εκ τούτου, φαίνεται αδιανόητο ότι θα μπορούσαμε να επιτύχουμε ένα πραγματικό λαμπερό αποτέλεσμα απλώς χειραγωγώντας δυνάμεις!

Οι διακυμάνσεις στις ηλεκτρομαγνητικές δυνάμεις είναι ελαφριές, αν και ο μαγνήτης που κινεί ένα άτομο δεν παράγει λάμψη. Ομοίως, η χειραγώγηση συμβόλων σύμφωνα με ορισμένους κανόνες μπορεί να συνιστά ευφυΐα, αν και το σύστημα που βασίζεται σε κανόνες που βρέθηκε στο δωμάτιο της Κίνας του Searle φαίνεται να στερείται πραγματικής κατανόησης.

Τι θα μπορούσε να απαντήσει ο Μάξγουελ αν του έπεφταν αυτή η πρόκληση;

Πρώτον, θα μπορούσε να επέμενε ότι το πείραμα του «φωτεινού δωματίου» μας παραπλανά σχετικά με τις ιδιότητες του ορατού φωτός, επειδή η συχνότητα της δόνησης του μαγνήτη είναι εξαιρετικά χαμηλή, περίπου 1015 φορές μικρότερη από την απαραίτητη. Αυτό μπορεί να ακολουθείται από την ανυπόμονη απάντηση ότι η συχνότητα δεν παίζει κανένα ρόλο εδώ, ότι το δωμάτιο με τον ταλαντούμενο μαγνήτη περιέχει ήδη όλα τα απαραίτητα για την εκδήλωση του φαινομένου λάμψης σε πλήρη συμφωνία με τη θεωρία του ίδιου του Maxwell.

Με τη σειρά του Μάξγουελθα μπορούσε να «δώσει το δόλωμα» ισχυριζόμενος πολύ σωστά ότι το δωμάτιο είναι ήδη γεμάτο φωτεινότητα, αλλά η φύση και η δύναμη αυτής της φωταύγειας είναι τέτοια που ένα άτομο δεν μπορεί να τη δει. (Λόγω της χαμηλής συχνότητας με την οποία ένα άτομο κινεί έναν μαγνήτη, το μήκος των ηλεκτρομαγνητικών κυμάτων που παράγονται είναι πολύ μεγάλο και η ένταση είναι πολύ χαμηλή για να αντιδράσει το ανθρώπινο μάτι σε αυτά.) Ωστόσο, δεδομένου του επιπέδου κατανόησης αυτών των φαινομένων την εξεταζόμενη χρονική περίοδο (δεκαετία του '60 του περασμένου αιώνα), μια τέτοια εξήγηση πιθανότατα θα προκαλούσε γέλια και χλευαστικά σχόλια. Λαμπερό δωμάτιο! Αλλά με συγχωρείτε, κύριε Μάξγουελ, είναι εντελώς σκοτάδι εκεί μέσα!»

Βλέπουμε λοιπόν ότι οι φτωχοί Μάξγουελπρέπει να είναι δύσκολο. Το μόνο που μπορεί να κάνει είναι να επιμείνει στους εξής τρεις βαθμούς. Πρώτον, το αξίωμα 3 στον παραπάνω συλλογισμό δεν είναι αληθές. Πράγματι, παρά το γεγονός ότι διαισθητικά φαίνεται αρκετά εύλογο, θέτουμε άθελά μας ένα ερώτημα σχετικά με αυτό. Δεύτερον, το πείραμα του λαμπερού δωματίου δεν μας δείχνει τίποτα ενδιαφέρον για τη φυσική φύση του φωτός. Και τρίτον, για να λύσουμε πραγματικά το πρόβλημα του φωτός και τη δυνατότητα τεχνητής φωταύγειας, χρειαζόμαστε ένα ερευνητικό πρόγραμμα που θα μας επιτρέψει να διαπιστώσουμε εάν, υπό κατάλληλες συνθήκες, η συμπεριφορά των ηλεκτρομαγνητικών κυμάτων είναι εντελώς πανομοιότυπη με τη συμπεριφορά του φωτός. Την ίδια απάντηση θα πρέπει να δώσει η κλασική τεχνητή νοημοσύνη στο σκεπτικό του Searle. Αν και το κινέζικο δωμάτιο του Searle μπορεί να φαίνεται «σημασιολογικά σκοτεινό», έχει ελάχιστο λόγο να επιμείνει ότι ο χειρισμός συμβόλων που γίνεται σύμφωνα με ορισμένους κανόνες δεν μπορεί ποτέ να παράγει σημασιολογικά φαινόμενα, ειδικά επειδή οι άνθρωποι εξακολουθούν να είναι κακώς ενημερωμένοι και περιορίζονται μόνο στην κατανόηση της γλώσσας. επίπεδο κοινής λογικής εκείνων των σημασιολογικών και νοητικών φαινομένων που χρήζουν εξήγησης. Αντί να επωφεληθεί από την κατανόηση αυτών των πραγμάτων, ο Searle στη συλλογιστική του χρησιμοποιεί ελεύθερα την έλλειψη μιας τέτοιας κατανόησης στους ανθρώπους.

Έχοντας εκφράσει την κριτική μας για το σκεπτικό του Searle, ας επιστρέψουμε στο ερώτημα εάν ένα κλασικό πρόγραμμα AI έχει μια πραγματική ευκαιρία να λύσει το πρόβλημα του συνειδητού νου και να δημιουργήσει μια μηχανή σκέψης. Πιστεύουμε ότι οι προοπτικές εδώ δεν είναι θετικές, αλλά η γνώμη μας βασίζεται σε λόγους που διαφέρουν θεμελιωδώς από αυτούς που χρησιμοποιεί η Searle. Βασιζόμαστε σε συγκεκριμένες αποτυχίες του κλασικού ερευνητικού προγράμματος AI και σε μια σειρά από μαθήματα που μας έχει διδάξει ο βιολογικός εγκέφαλος μέσω μιας νέας κατηγορίας υπολογιστικών μοντέλων που ενσωματώνουν ορισμένες ιδιότητες της δομής του. Έχουμε ήδη αναφέρει τις αποτυχίες της κλασικής τεχνητής νοημοσύνης στην επίλυση εκείνων των προβλημάτων που επιλύονται γρήγορα και αποτελεσματικά από τον εγκέφαλο. Οι επιστήμονες καταλήγουν σταδιακά στη συναίνεση ότι αυτές οι αστοχίες οφείλονται στις ιδιότητες της λειτουργικής αρχιτεκτονικής των μηχανών MS, οι οποίες είναι απλώς ακατάλληλες για την επίλυση των πολύπλοκων εργασιών που έχουν μπροστά τους.

Αυτό που πρέπει να γνωρίζουμε είναι πώς ο εγκέφαλος επιτυγχάνει το αποτέλεσμα της σκέψης; Η αντίστροφη μηχανική είναι μια ευρέως διαδεδομένη τεχνική στη μηχανική. Όταν μια νέα τεχνική συσκευή βγαίνει προς πώληση, οι ανταγωνιστές καταλαβαίνουν πώς λειτουργεί αποσυναρμολογώντας την και προσπαθώντας να μαντέψουν την αρχή στην οποία βασίζεται. Στην περίπτωση του εγκεφάλου, αυτή η προσέγγιση είναι εξαιρετικά δύσκολη στην εφαρμογή, γιατί ο εγκέφαλος είναι το πιο περίπλοκο πράγμα στον πλανήτη. Παρόλα αυτά, οι νευροφυσιολόγοι έχουν καταφέρει να αποκαλύψουν πολλές ιδιότητες του εγκεφάλου σε διάφορα δομικά επίπεδα. Τρία ανατομικά χαρακτηριστικά το διακρίνουν θεμελιωδώς από την αρχιτεκτονική των παραδοσιακών ηλεκτρονικών υπολογιστών.

Πρώτα, το νευρικό σύστημα είναι μια παράλληλη μηχανή, με την έννοια ότι τα σήματα επεξεργάζονται ταυτόχρονα με εκατομμύρια διαφορετικούς τρόπους. Για παράδειγμα, ο αμφιβληστροειδής του ματιού μεταδίδει ένα σύνθετο σήμα εισόδου στον εγκέφαλο όχι σε παρτίδες 8, 16 ή 32 στοιχείων, όπως ένας επιτραπέζιος υπολογιστής, αλλά με τη μορφή ενός σήματος που αποτελείται από σχεδόν ένα εκατομμύριο μεμονωμένα στοιχεία που φθάνουν ταυτόχρονα στο άκρο του οπτικού νεύρου (το πλευρικό γεννητικό σώμα), μετά από το οποίο επίσης ταυτόχρονα, σε ένα βήμα, επεξεργάζονται από τον εγκέφαλο. Δεύτερον, η στοιχειώδης «συσκευή επεξεργασίας» του εγκεφάλου, ο νευρώνας, είναι σχετικά απλή. Επίσης, η απόκρισή του σε ένα σήμα εισόδου είναι αναλογική και όχι ψηφιακή, με την έννοια ότι η συχνότητα του σήματος εξόδου αλλάζει συνεχώς με τα σήματα εισόδου.

Τρίτον,στον εγκέφαλο, εκτός από τους άξονες που οδηγούν από τη μια ομάδα νευρώνων στην άλλη, βρίσκουμε συχνά άξονες που οδηγούν προς την αντίθετη κατεύθυνση. Αυτές οι διαδικασίες επιστροφής επιτρέπουν στον εγκέφαλο να διαμορφώνει τον τρόπο επεξεργασίας των αισθητηριακών πληροφοριών. Ακόμη πιο σημαντικό είναι το γεγονός ότι, λόγω της ύπαρξής τους, ο εγκέφαλος είναι ένα πραγματικά δυναμικό σύστημα, στο οποίο η συνεχώς διατηρούμενη συμπεριφορά χαρακτηρίζεται τόσο από πολύ υψηλή πολυπλοκότητα όσο και από σχετική ανεξαρτησία από τα περιφερειακά ερεθίσματα. Τα απλουστευμένα μοντέλα δικτύων έχουν παίξει χρήσιμο ρόλο στη μελέτη των μηχανισμών λειτουργίας των πραγματικών νευρωνικών δικτύων και των υπολογιστικών ιδιοτήτων των παράλληλων αρχιτεκτονικών. Σκεφτείτε, για παράδειγμα, ένα μοντέλο τριών επιπέδων που αποτελείται από στοιχεία που μοιάζουν με νευρώνες που έχουν αξονικές συνδέσεις με στοιχεία του επόμενου επιπέδου. Το ερέθισμα εισόδου φτάνει στο κατώφλι ενεργοποίησης ενός δεδομένου στοιχείου εισόδου, το οποίο στέλνει ένα σήμα αναλογικής ισχύος κατά μήκος του «άξονα» του στις πολυάριθμες «συναπτικές» απολήξεις των στοιχείων του κρυφού στρώματος. Το συνολικό αποτέλεσμα είναι ότι ένα συγκεκριμένο μοτίβο ενεργοποίησης σημάτων σε ένα σύνολο στοιχείων εισόδου δημιουργεί ένα συγκεκριμένο μοτίβο σημάτων σε ένα σύνολο κρυφών στοιχείων.

Το ίδιο μπορεί να ειπωθεί για τα στοιχεία εξόδου. Ομοίως, η διαμόρφωση των σημάτων ενεργοποίησης στο τμήμα του κρυφού στρώματος οδηγεί σε ένα συγκεκριμένο σχέδιο ενεργοποίησης στο τμήμα των στοιχείων εξόδου. Συνοψίζοντας, μπορούμε να πούμε ότι το εξεταζόμενο δίκτυο είναι μια συσκευή για τη μετατροπή οποιουδήποτε μεγάλου αριθμού πιθανών διανυσμάτων εισόδου (διαμορφώσεις σημάτων ενεργοποίησης) σε ένα μοναδικά αντίστοιχο διάνυσμα εξόδου. Αυτή η συσκευή έχει σχεδιαστεί για να υπολογίζει μια συγκεκριμένη λειτουργία. Ποια συνάρτηση αξιολογεί εξαρτάται από τη συνολική διαμόρφωση της δομής του συναπτικού βάρους.

Τα νευρωνικά δίκτυα μοντελοποιούν την κύρια ιδιότητα της μικροδομής του εγκεφάλου. Σε αυτό το δίκτυο τριών επιπέδων, οι νευρώνες εισόδου (κάτω αριστερά) επεξεργάζονται τη διαμόρφωση των σημάτων πυροδότησης (κάτω δεξιά) και τα περνούν κατά μήκος των σταθμισμένων συνδέσεων στο κρυφό στρώμα. Τα στοιχεία κρυφού στρώματος αθροίζουν τις πολλαπλές εισόδους τους για να σχηματίσουν μια νέα διαμόρφωση σήματος. Μεταφέρεται στο εξωτερικό στρώμα, το οποίο εκτελεί περαιτέρω μετασχηματισμούς. Γενικά, το δίκτυο θα μετατρέψει οποιοδήποτε σύνολο σημάτων εισόδου στην αντίστοιχη έξοδο, ανάλογα με τη θέση και τη σχετική ισχύ των συνδέσεων μεταξύ των νευρώνων.

Υπάρχουν διάφορες διαδικασίες για την προσαρμογή βαρών, χάρη στις οποίες μπορεί κανείς να φτιάξει ένα δίκτυο ικανό να υπολογίζει σχεδόν κάθε συνάρτηση (δηλαδή οποιονδήποτε μετασχηματισμό μεταξύ διανυσμάτων). Στην πραγματικότητα, είναι δυνατό να υλοποιηθεί μια συνάρτηση στο δίκτυο που δεν μπορεί καν να διατυπωθεί, αρκεί απλώς να της δώσουμε ένα σύνολο παραδειγμάτων που δείχνουν τι λαδόβια εισόδου και εξόδου θα θέλαμε να έχουμε. Αυτή η διαδικασία, που ονομάζεται "εκμάθηση του δικτύου", πραγματοποιείται με τη διαδοχική επιλογή των βαρών που έχουν εκχωρηθεί στους συνδέσμους, η οποία συνεχίζεται έως ότου το δίκτυο αρχίσει να εκτελεί τους επιθυμητούς μετασχηματισμούς στην είσοδο προκειμένου να αποκτήσει την επιθυμητή έξοδο.

Αν και αυτό το μοντέλο δικτύου απλοποιεί σε μεγάλο βαθμό τη δομή του εγκεφάλου, εξακολουθεί να απεικονίζει αρκετές σημαντικές πτυχές. Πρώτον, η παράλληλη αρχιτεκτονική παρέχει ένα τεράστιο πλεονέκτημα ταχύτητας σε σχέση με έναν παραδοσιακό υπολογιστή, καθώς οι πολλές συνάψεις σε κάθε επίπεδο εκτελούν πολλές μικρές υπολογιστικές λειτουργίες ταυτόχρονα, αντί να λειτουργούν σε μια πολύ χρονοβόρα διαδοχική λειτουργία. Αυτό το πλεονέκτημα γίνεται όλο και πιο σημαντικό όσο αυξάνεται ο αριθμός των νευρώνων σε κάθε επίπεδο. Παραδόξως, η ταχύτητα επεξεργασίας πληροφοριών δεν εξαρτάται καθόλου από τον αριθμό των στοιχείων που εμπλέκονται στη διαδικασία σε κάθε επίπεδο, ούτε από την πολυπλοκότητα της συνάρτησης που υπολογίζουν. Κάθε επίπεδο μπορεί να έχει τέσσερα στοιχεία ή εκατό εκατομμύρια. μια διαμόρφωση συναπτικού βάρους μπορεί να υπολογίσει απλά μονοψήφια αθροίσματα ή να λύσει διαφορικές εξισώσεις δεύτερης τάξης. Δεν έχει σημασία. Ο χρόνος υπολογισμού θα είναι ακριβώς ο ίδιος.

Κατα δευτερον,Η παράλληλη φύση του συστήματος το καθιστά αναίσθητο σε μικρά σφάλματα και του προσδίδει λειτουργική σταθερότητα. Η απώλεια μερικών συνδέσμων, ακόμη και ενός αξιοσημείωτου αριθμού από αυτές, έχει αμελητέα επίδραση στη συνολική πρόοδο του μετασχηματισμού που εκτελείται από το υπόλοιπο δίκτυο.

Τρίτον,ένα παράλληλο σύστημα αποθηκεύει μεγάλο όγκο πληροφοριών σε κατανεμημένη μορφή, ενώ παρέχει πρόσβαση σε οποιοδήποτε τμήμα αυτής της πληροφορίας σε χρόνο μετρούμενο σε πολλά χιλιοστά του δευτερολέπτου. Οι πληροφορίες αποθηκεύονται με τη μορφή ορισμένων διαμορφώσεων των βαρών των επιμέρους συναπτικών συνδέσεων που έχουν σχηματιστεί στη διαδικασία προηγούμενης μάθησης. Οι επιθυμητές πληροφορίες "απελευθερώνονται" καθώς το διάνυσμα εισόδου διέρχεται (και μετασχηματίζει) αυτή τη διαμόρφωση συνδέσμου.

Η παράλληλη επεξεργασία δεδομένων δεν είναι ιδανική για όλα τα είδη υπολογιστών. Όταν επιλύονται προβλήματα με ένα μικρό διάνυσμα εισόδου, αλλά απαιτούν πολλά εκατομμύρια ταχέως επαναλαμβανόμενους αναδρομικούς υπολογισμούς, ο εγκέφαλος αποδεικνύεται εντελώς αβοήθητος, ενώ οι κλασικές μηχανές MS επιδεικνύουν τις καλύτερες δυνατότητές τους. Αυτή είναι μια πολύ μεγάλη και σημαντική κατηγορία υπολογιστών, έτσι ώστε οι κλασικές μηχανές να είναι πάντα απαραίτητες, ακόμη και απαραίτητες. Ωστόσο, υπάρχει μια εξίσου ευρεία κατηγορία υπολογισμών για τους οποίους η αρχιτεκτονική του εγκεφάλου είναι η καλύτερη τεχνική λύση. Αυτοί είναι κυρίως οι υπολογισμοί που αντιμετωπίζουν συνήθως οι ζωντανοί οργανισμοί: αναγνώριση των περιγραμμάτων ενός αρπακτικού σε ένα «θορυβώδες» περιβάλλον. στιγμιαία ανάκληση της σωστής αντίδρασης στο βλέμμα του, του τρόπου διαφυγής όταν πλησιάζει ή αμύνεται όταν δέχεται επίθεση. διάκριση μεταξύ βρώσιμων και μη βρώσιμων πραγμάτων, μεταξύ σεξουαλικών συντρόφων και άλλων ζώων. επιλογή συμπεριφοράς σε ένα σύνθετο και συνεχώς μεταβαλλόμενο φυσικό ή κοινωνικό περιβάλλον· και τα λοιπά.

Τέλος, είναι πολύ σημαντικό να σημειωθεί ότι το περιγραφόμενο παράλληλο σύστημα δεν χειρίζεται σύμβολα σύμφωνα με δομικούς κανόνες. Αντίθετα, η χειραγώγηση συμβόλων είναι μόνο μία από τις πολλές άλλες «έξυπνες» δεξιότητες που το δίκτυο μπορεί να μάθει ή όχι. Ο χειρισμός συμβόλων βάσει κανόνων δεν είναι ο πρωταρχικός τρόπος λειτουργίας του δικτύου. Το σκεπτικό του Searle στρέφεται ενάντια στις μηχανές MC που διέπονται από κανόνες. Έτσι, τα διανυσματικά συστήματα μετασχηματισμού του τύπου που περιγράψαμε δεν εμπίπτουν στο πεδίο εφαρμογής του επιχειρήματος του κινεζικού δωματίου, ακόμα κι αν ήταν έγκυρο, κάτι που έχουμε άλλους, ανεξάρτητους λόγους να αμφιβάλλουμε.

Ο Searle γνωρίζει τους παράλληλους επεξεργαστές, αλλά, κατά τη γνώμη του, θα στερούνται επίσης πραγματικού σημασιολογικού περιεχομένου. Για να δείξει την αναπόφευκτη κατωτερότητά τους από αυτή την άποψη, περιγράφει ένα δεύτερο πείραμα σκέψης, αυτή τη φορά με ένα κινέζικο γυμναστήριο γεμάτο με ανθρώπους οργανωμένους σε ένα παράλληλο δίκτυο. Η περαιτέρω πορεία του συλλογισμού του είναι παρόμοια με τη συλλογιστική στην περίπτωση του κινέζικου δωματίου.

Κατά τη γνώμη μας, αυτό το δεύτερο παράδειγμα δεν είναι τόσο επιτυχημένο και πειστικό όσο το πρώτο. Πρώτα απ 'όλα, το γεγονός ότι κανένα στοιχείο του συστήματος δεν καταλαβαίνει κινέζικα παίζει ρόλο, γιατί το ίδιο ισχύει και σε σχέση με το ανθρώπινο νευρικό σύστημα: ούτε ένας νευρώνας στον εγκέφαλό μου δεν καταλαβαίνει αγγλικά, αν και ο εγκέφαλος στο σύνολό του καταλαβαίνει . Ο Searle συνεχίζει λέγοντας ότι το μοντέλο του (ένα άτομο ανά νευρώνα συν ένα γρήγορο αγόρι ανά συναπτική σύνδεση) θα απαιτούσε τουλάχιστον 1014 άτομα, καθώς ο ανθρώπινος εγκέφαλος περιέχει 1011 νευρώνες, ο καθένας με κατά μέσο όρο 103 συνδέσεις. Έτσι, το σύστημά του θα απαιτούσε τον πληθυσμό των 10.000 κόσμων όπως η Γη μας. Προφανώς, το γυμναστήριο απέχει πολύ από το να μπορεί να φιλοξενήσει ένα περισσότερο ή λιγότερο κατάλληλο μοντέλο.

Από την άλλη πλευρά, εάν ένα τέτοιο σύστημα μπορούσε ακόμα να συναρμολογηθεί, στην κατάλληλη κοσμική κλίμακα, με όλες τις συνδέσεις μοντελοποιημένες με ακρίβεια, θα είχαμε έναν τεράστιο, αργό, παράξενα σχεδιασμένο, αλλά ακόμα λειτουργικό εγκέφαλο. Σε αυτή την περίπτωση, βέβαια, είναι φυσικό να περιμένει κανείς ότι με τη σωστή συμβολή θα σκεφτεί, και όχι το αντίστροφο, ότι δεν είναι ικανός για αυτό. Δεν μπορούμε να εγγυηθούμε ότι η λειτουργία ενός τέτοιου συστήματος θα αντιπροσωπεύει την πραγματική σκέψη, καθώς η θεωρία της διανυσματικής επεξεργασίας μπορεί να μην αντικατοπτρίζει επαρκώς τη λειτουργία του εγκεφάλου. Αλλά με τον ίδιο τρόπο, δεν έχουμε εκ των προτέρων εγγύηση ότι δεν θα σκεφτεί. Ο Searle για άλλη μια φορά ταυτίζει λανθασμένα τα σημερινά όρια της φαντασίας του (ή του αναγνώστη) με τα όρια της αντικειμενικής πραγματικότητας.

Εγκέφαλος

Ο εγκέφαλος είναι ένα είδος υπολογιστή, αν και οι περισσότερες ιδιότητές του είναι ακόμα άγνωστες. Δεν είναι καθόλου εύκολο να χαρακτηριστεί ο εγκέφαλος ως υπολογιστής και μια τέτοια προσπάθεια δεν πρέπει να λαμβάνεται πολύ ελαφρά. Ο εγκέφαλος υπολογίζει λειτουργίες, αλλά όχι με τον ίδιο τρόπο όπως σε εφαρμοσμένες εργασίες που επιλύονται από την κλασική τεχνητή νοημοσύνη. Όταν μιλάμε για ένα μηχάνημα ως υπολογιστή, δεν εννοούμε έναν διαδοχικό ψηφιακό υπολογιστή που πρέπει να προγραμματιστεί και που έχει σαφή διαχωρισμό μεταξύ λογισμικού και υλικού. ούτε εννοούμε ότι αυτός ο υπολογιστής χειρίζεται σύμβολα ή ακολουθεί ορισμένους κανόνες. Ο εγκέφαλος είναι ένας υπολογιστής θεμελιωδώς διαφορετικού είδους.

Το πώς ο εγκέφαλος συλλαμβάνει το σημασιολογικό περιεχόμενο των πληροφοριών δεν είναι ακόμη γνωστό, αλλά είναι σαφές ότι αυτό το πρόβλημα υπερβαίνει κατά πολύ τη γλωσσολογία και δεν περιορίζεται στον άνθρωπο ως είδος. Ένα μικρό κομμάτι φρέσκιας γης σημαίνει, τόσο για τον άνθρωπο όσο και για το κογιότ, ότι υπάρχει ένα γοφάρι κάπου κοντά. μια ηχώ με ορισμένα φασματικά χαρακτηριστικά υποδηλώνει την παρουσία ενός σκόρου σε μια νυχτερίδα. Για να αναπτύξουμε μια θεωρία σχηματισμού νοήματος, πρέπει να μάθουμε περισσότερα για το πώς οι νευρώνες κωδικοποιούν και μετασχηματίζουν τα αισθητήρια σήματα, τη νευρωνική βάση της μνήμης, της μάθησης και του συναισθήματος και τη σχέση μεταξύ αυτών των παραγόντων και του κινητικού συστήματος. Μια βασισμένη στη νευροφυσιολογία θεωρία κατανόησης του νοήματος μπορεί να απαιτεί ακόμη και τις διαισθήσεις μας, που τώρα μας φαίνονται τόσο ακλόνητες και τις οποίες ο Searle χρησιμοποιεί τόσο ελεύθερα στη συλλογιστική του. Τέτοιες αναθεωρήσεις δεν είναι ασυνήθιστες στην ιστορία της επιστήμης.

Μπορεί η επιστήμη να δημιουργήσει τεχνητή νοημοσύνη χρησιμοποιώντας όσα είναι γνωστά για το νευρικό σύστημα; Δεν βλέπουμε θεμελιώδη εμπόδια σε αυτό το μονοπάτι. Η Searle φέρεται να συμφωνεί, αλλά με μια προειδοποίηση: «Οποιοδήποτε άλλο σύστημα ικανό να παράγει νοημοσύνη πρέπει να έχει αιτιακές ιδιότητες (τουλάχιστον) ισοδύναμες με τις αντίστοιχες ιδιότητες του εγκεφάλου». Στο τέλος του άρθρου, θα εξετάσουμε αυτή τη δήλωση. Πιστεύουμε ότι ο Searle δεν υποστηρίζει ότι ένα επιτυχημένο σύστημα τεχνητής νοημοσύνης πρέπει απαραίτητα να έχει όλες τις αιτιώδεις ιδιότητες του εγκεφάλου, όπως την ικανότητα να μυρίζει σάπισμα, την ικανότητα να μεταφέρει ιούς, την ικανότητα να κιτρινίζει υπό τη δράση της υπεροξειδάσης χρένου κ.λπ. Απαιτείται πλήρης συμμόρφωση θα ήταν σαν να ζητάτε από ένα τεχνητό αεροσκάφος να μπορεί να γεννήσει αυγά.

Μάλλον εννοούσε μόνο την απαίτηση να έχει ένα τεχνητό μυαλό όλες τις αιτιακές ιδιότητες που, όπως το έθεσε, ανήκουν σε έναν συνειδητό νου. Ωστόσο, ποιες ακριβώς; Και εδώ είμαστε πάλι πίσω στη διαμάχη για το τι ανήκει στον συνειδητό νου και τι όχι. Αυτό είναι απλώς το μέρος για να διαφωνήσετε, αλλά η αλήθεια σε αυτήν την περίπτωση θα πρέπει να βρεθεί εμπειρικά - προσπαθήστε να δείτε τι θα συμβεί. Εφόσον γνωρίζουμε τόσο λίγα για το τι ακριβώς είναι η διαδικασία σκέψης και η σημασιολογία, οποιαδήποτε βεβαιότητα για το ποιες ιδιότητες είναι σχετικές εδώ θα ήταν πρόωρη. Η Searle υπαινίσσεται πολλές φορές ότι κάθε επίπεδο, συμπεριλαμβανομένης της βιοχημείας, πρέπει να αντιπροσωπεύεται σε οποιοδήποτε μηχάνημα που ισχυρίζεται ότι είναι τεχνητή νοημοσύνη. Προφανώς, αυτό είναι πολύ ισχυρή απαίτηση. Ένας τεχνητός εγκέφαλος μπορεί να επιτύχει το ίδιο αποτέλεσμα χωρίς τη χρήση βιοχημικών μηχανισμών.

Αυτή η πιθανότητα αποδείχθηκε στις μελέτες του K. Mead στο Ινστιτούτο Τεχνολογίας της Καλιφόρνια. Ο Mead και οι συνεργάτες του χρησιμοποίησαν αναλογικές μικροηλεκτρονικές συσκευές για να δημιουργήσουν έναν τεχνητό αμφιβληστροειδή και έναν τεχνητό κοχλία. (Στα ζώα, ο αμφιβληστροειδής και ο κοχλίας δεν είναι απλώς μετατροπείς: υπάρχει πολύπλοκη παράλληλη επεξεργασία και στα δύο συστήματα.) Αυτές οι συσκευές δεν είναι πλέον απλά μοντέλα σε έναν μίνι υπολογιστή στον οποίο η Searle γελάει. είναι πραγματικά στοιχεία επεξεργασίας πληροφοριών που ανταποκρίνονται σε πραγματικό χρόνο σε πραγματικά σήματα: φως στην περίπτωση του αμφιβληστροειδούς και ήχος στην περίπτωση του κοχλία. Τα σχέδια των συσκευών βασίζονται στις γνωστές ανατομικές και φυσιολογικές ιδιότητες του αμφιβληστροειδούς και του κοχλία της κουκουβάγιας της γάτας και η απόδοση τους είναι εξαιρετικά κοντά στις γνωστές εξόδους των οργάνων που μοντελοποιούν.

Αυτά τα μικροκυκλώματα δεν χρησιμοποιούν νευροδιαβιβαστές, επομένως οι νευροδιαβιβαστές δεν φαίνεται να είναι απαραίτητοι για την επίτευξη των επιθυμητών αποτελεσμάτων. Φυσικά, δεν μπορούμε να πούμε ότι ο τεχνητός αμφιβληστροειδής βλέπει κάτι, καθώς η έξοδός του δεν πηγαίνει στον τεχνητό θάλαμο ή στον εγκεφαλικό φλοιό κ.λπ. Δεν είναι ακόμη γνωστό εάν είναι δυνατό να κατασκευαστεί ένας ολόκληρος τεχνητός εγκέφαλος χρησιμοποιώντας το πρόγραμμα Mead, αλλά στο παρόν Δεν έχουμε στοιχεία ότι η απουσία βιοχημικών μηχανισμών στο σύστημα καθιστά αυτή την προσέγγιση μη ρεαλιστική.

Το νευρικό σύστημα εκτείνεται σε μια ολόκληρη σειρά οργάνωσης, από μόρια νευροδιαβιβαστών (κάτω) έως ολόκληρο τον εγκέφαλο και το νωτιαίο μυελό. Τα ενδιάμεσα επίπεδα περιέχουν μεμονωμένους νευρώνες και νευρικά κυκλώματα, όπως αυτά που εφαρμόζουν την επιλεκτικότητα της αντίληψης οπτικών ερεθισμάτων (στο κέντρο) και συστήματα που αποτελούνται από πολλά κυκλώματα, παρόμοια με αυτά που εξυπηρετούν τις λειτουργίες του λόγου (πάνω δεξιά). Μόνο μέσω της έρευνας μπορεί κανείς να διαπιστώσει πόσο στενά ένα τεχνητό σύστημα είναι σε θέση να αναπαράγει βιολογικά συστήματα που έχουν μυαλό.

Όπως ο Searle, απορρίπτουμε το τεστ Turing ως επαρκές κριτήριο για την ύπαρξη συνειδητού νου. Σε ένα επίπεδο, έχουμε παρόμοιους λόγους για να το κάνουμε αυτό: συμφωνούμε ότι είναι πολύ σημαντικό πώς υλοποιείται μια συνάρτηση που ορίζεται από είσοδο-έξοδο. είναι σημαντικό να γίνονται οι σωστές διεργασίες στο μηχάνημα. Σε ένα άλλο επίπεδο, καθοδηγούμαστε από εντελώς διαφορετικές εκτιμήσεις. Ο Searle βασίζει τη θέση του στην παρουσία ή απουσία σημασιολογικού περιεχομένου σε διαισθήσεις κοινής λογικής. Η άποψή μας βασίζεται στις συγκεκριμένες αστοχίες των κλασικών μηχανών MS και στα ειδικά πλεονεκτήματα των μηχανών των οποίων η αρχιτεκτονική είναι πιο κοντά στη δομή του εγκεφάλου. Η σύγκριση αυτών των διαφορετικών τύπων μηχανών δείχνει ότι ορισμένες υπολογιστικές στρατηγικές έχουν τεράστιο και αποφασιστικό πλεονέκτημα έναντι άλλων σε σχέση με τυπικές νοητικές εργασίες. Αυτά τα πλεονεκτήματα, που διαπιστώνονται εμπειρικά, δεν προκαλούν αμφιβολίες. Προφανώς, ο εγκέφαλος εκμεταλλεύεται συστηματικά αυτά τα υπολογιστικά πλεονεκτήματα. Ωστόσο, δεν είναι κατ' ανάγκη το μόνο φυσικό σύστημα που μπορεί να τα εκμεταλλευτεί. Η ιδέα της δημιουργίας τεχνητής νοημοσύνης σε μια μη βιολογική, αλλά ουσιαστικά παράλληλη μηχανή παραμένει πολύ δελεαστική και πολλά υποσχόμενη.

Η τεχνητή νοημοσύνη είναι ένας τομέας της επιστήμης που σχεδιάζει μηχανές, υπολογιστές και υλικό με νοημοσύνη που κυμαίνεται από το πιο απλό έως το ανθρωποειδές. Αν και η έννοια των ευφυών μηχανών προέρχεται από την αρχαία ελληνική μυθολογία, η σύγχρονη ιστορία της τεχνητής νοημοσύνης ξεκίνησε με την ανάπτυξη των υπολογιστών. Ο όρος επινοήθηκε το 1956 στο πρώτο συνέδριο τεχνητής νοημοσύνης.

Δεκαετίες αργότερα, οι επιστήμονες συνεχίζουν να εξερευνούν τις ακόμα άπιαστες αναλαμπές της νοημοσύνης των μηχανών, παρόλο που το ερώτημα "μπορεί μια μηχανή να σκεφτεί;" εξακολουθεί να προκαλεί την ευρύτερη συζήτηση.

Αξίζει να σημειωθεί ότι, σε αντίθεση με τη δημοφιλή πεποίθηση, δεν είναι όλοι οι φορείς τεχνητής νοημοσύνης ανθρωποειδή ρομπότ ή φανταστικά λειτουργικά συστήματα με τη φωνή της Scarlett Johansson. Ας δούμε τις βασικές δεξιότητες που είναι εγγενείς στην τεχνητή νοημοσύνη.

Λύση προβλημάτων

Ένα από τα βασικά χαρακτηριστικά της τεχνητής νοημοσύνης είναι η ικανότητα επίλυσης προβλημάτων. Για να δώσουν στο μηχάνημα αυτή την ικανότητα, οι επιστήμονες το εξόπλισαν με αλγόριθμους που μιμούνται την ανθρώπινη σκέψη και χρησιμοποιούν τις έννοιες της πιθανότητας, της οικονομίας και της στατιστικής.

Οι προσεγγίσεις περιλαμβάνουν μοντέλα εμπνευσμένα από νευρωνικά δίκτυα στον εγκέφαλο, τη δύναμη της μηχανικής μάθησης και την αναγνώριση προτύπων και στατιστικές προσεγγίσεις που χρησιμοποιούν μαθηματικά εργαλεία και γλώσσες για την επίλυση προβλημάτων.

Μηχανική μάθηση

Ένα άλλο βασικό σημείο της τεχνητής νοημοσύνης είναι η ικανότητα μιας μηχανής να μαθαίνει. Μέχρι στιγμής, δεν υπάρχει μια ενιαία προσέγγιση με την οποία ένας υπολογιστής μπορεί να προγραμματιστεί για να λαμβάνει πληροφορίες, να αποκτά γνώση και να προσαρμόζει ανάλογα τη συμπεριφορά - μάλλον, υπάρχει ένας αριθμός προσεγγίσεων που βασίζονται σε αλγόριθμους.

Μία από τις σημαντικές μεθόδους μηχανικής μάθησης είναι η λεγόμενη βαθιά μάθηση, μια μέθοδος τεχνητής νοημοσύνης που βασίζεται στη νευρωνική θεωρία και αποτελείται από περίπλοκα στρώματα διασυνδεδεμένων κόμβων. Ενώ το Siri της Apple είναι ένα παράδειγμα βαθιάς μάθησης σε δράση, η Google εξαγόρασε πρόσφατα την DeepMind, μια startup που ειδικεύεται σε προηγμένους αλγόριθμους εκμάθησης τεχνητής νοημοσύνης. Το Netflix επενδύει επίσης στη βαθιά μάθηση.

γλωσσική επεξεργασία

Η Επεξεργασία Φυσικής Γλώσσας (NLP) δίνει σε μια μηχανή την ικανότητα να διαβάζει και να κατανοεί την ανθρώπινη γλώσσα, επιτρέποντας την επικοινωνία ανθρώπου-μηχανής.

Τέτοια συστήματα επιτρέπουν στους υπολογιστές να μεταφράζουν και να επικοινωνούν μέσω επεξεργασίας σήματος, ανάλυσης, σημασιολογικής ανάλυσης και πραγματολογίας (γλώσσα στο πλαίσιο).

Κίνηση και αντίληψη

Το είδος της νοημοσύνης που σχετίζεται με την κίνηση και την αντίληψη σχετίζεται στενά με τη ρομποτική, η οποία δίνει στη μηχανή όχι μόνο γνωστική, αλλά και αισθητηριακή νοημοσύνη. Αυτό γίνεται εφικτό με την είσοδο πλοήγησης, την τεχνολογία εντοπισμού και αισθητήρες όπως κάμερες, μικρόφωνα, σόναρ και αναγνώριση αντικειμένων. Τα τελευταία χρόνια, έχουμε δει αυτές τις τεχνολογίες ήδη σε πολλά ρομπότ, ωκεάνια και διαστημικά ρόβερ.

κοινωνική νοημοσύνη

Οι συναισθηματικές και κοινωνικές δεξιότητες αντιπροσωπεύουν ένα άλλο προηγμένο επίπεδο τεχνητής νοημοσύνης που επιτρέπει στο μηχάνημα να αποκτήσει ακόμη περισσότερες ανθρώπινες ιδιότητες. Η SEMAINE, για παράδειγμα, στοχεύει να δώσει στις μηχανές τέτοιες κοινωνικές δεξιότητες μέσω αυτού που αποκαλεί SAL, ή «τεχνητό αισθητήριο ακροατή». Αυτό είναι ένα προηγμένο σύστημα διαλόγου, εάν μπορεί να ολοκληρωθεί, θα μπορεί να αντιληφθεί την έκφραση του προσώπου, το βλέμμα και τη φωνή ενός ατόμου, προσαρμόζοντας ανάλογα.

Δημιουργία

Η ικανότητα να σκέφτεσαι και να ενεργείς δημιουργικά είναι ένα ξεχωριστό ανθρώπινο χαρακτηριστικό που πολλοί θεωρούν ανώτερο από τις ικανότητες των υπολογιστών. Ωστόσο, ως πτυχή της ανθρώπινης νοημοσύνης, η δημιουργικότητα μπορεί να εφαρμοστεί και στην τεχνητή νοημοσύνη.

Λέγεται ότι μπορεί να δοθεί η ευκαιρία στις μηχανές να παράγουν πολύτιμες και καινοτόμες ιδέες μέσω τριών μοντέλων: συνδυασμού, εξερεύνησης και μετασχηματισμού. Πώς ακριβώς θα εφαρμοστεί αυτό - θα το δούμε στο μέλλον. Άλλωστε, η μηχανή AARON παράγει ήδη έργα τέχνης μουσειακής ποιότητας.

Ο αυτοσχεδιασμός ως ανθρώπινη δραστηριότητα είναι «ένα πρωτότυπο δημιουργικής συμπεριφοράς», λέει η Shelley Carson, μέλος του τμήματος ψυχολογίας στο Πανεπιστήμιο του Χάρβαρντ. Στο βιβλίο της Your Creative Brain γράφει ότι σε βασικό επίπεδο ο καθένας μας αυτοσχεδιάζει, καθώς υπάρχουν πολλές καταστάσεις στη ζωή που το απαιτούν. Για παράδειγμα, στο δρόμο, πρέπει να πάρετε αμέσως τη μόνη σωστή απόφαση για να αποφύγετε μια σύγκρουση. Σε αυτή την περίπτωση, ένα άτομο αναφέρεται στην εμπειρία του. Όμως ο δημιουργικός αυτοσχεδιασμός είναι κάτι παραπάνω, γεννά νέες απροσδόκητες ιδέες.

Ο πίνακας του Άαρον

Ρομπότ ΑΑΡΩΝ, δημιουργία του διάσημου καλλιτέχνη Gorald Cohen. Η εφεύρεσή του, στο χαμηλότερο επίπεδο της, υπολόγισε αλγόριθμους για τη δημιουργία γραμμών και σχημάτων από τα οποία έγιναν σχέδια. Αργότερα, ένας πιο προηγμένος καλλιτέχνης ρομπότ ονόμασε Δράση Τζάκσονπου ζωγράφισε πίνακες παρόμοιους με τα έργα του Τζάκσον Πόλοκ. Και παρόλο που η συζήτηση για την καλλιτεχνική αξία τέτοιων έργων δεν έχει υποχωρήσει μέχρι τώρα, το γεγονός παραμένει ότι τα ρομπότ μπορούν να δημιουργήσουν.

Επιπλέον, ορισμένες σύγχρονες μορφές τεχνητής νοημοσύνης, όπως φαίνεται, μπορούν να επιτύχουν μεγάλη επιτυχία. Για παράδειγμα, το Siri για iPhone όχι μόνο επεξεργάζεται τη φυσική ανθρώπινη ομιλία, αλλά και προσαρμόζεται σε κάθε χρήστη ξεχωριστά, μελετώντας τον χαρακτήρα και τις συνήθειές του. και ο υπερυπολογιστής «Watson» της IBM κέρδισε ένα εκατομμύριο δολάρια στο «His Game». Τέτοιες τέλειες μηχανές δεν θα μπορούσαν να χειριστούν τον αυτοσχεδιασμό;