เพื่อพัฒนาชีวิตผู้คนให้ดียิ่งขึ้น ปัญญาประดิษฐ์ต้องมีมนุษย์เป็นศูนย์กลางเป็นอันดับแรก ตามที่หัวหน้านักวิทยาศาสตร์อธิบาย Google คลาวด์ในทางปฏิบัติ Fei-Fei Li หมายถึงการพัฒนาทักษะการสื่อสารและการทำงานร่วมกันนอกเหนือจากการกระจายทีมที่พัฒนาเทคโนโลยีเหล่านี้

ปัญญาประดิษฐ์ในปัจจุบัน

หนึ่งในบริษัทปัญญาประดิษฐ์ (AI) ที่ใหญ่ที่สุดคือ Google ซึ่งเป็นบริษัทที่หลายคนเชื่อมโยงกับเครื่องมือค้นหายอดนิยม ในช่วงหลายปีที่ผ่านมา ผู้เชี่ยวชาญได้พัฒนา AI ซึ่งสามารถเห็นได้ในผลิตภัณฑ์ปัจจุบันบางรายการ ตัวอย่างเช่น Google Assistant ซึ่งเปิดตัวในสมาร์ทโฟน Android ในเดือนกุมภาพันธ์ นอกจากนี้ AI ยังช่วยในเรื่องดังกล่าวอีกด้วย เครื่องมือค้นหาทำงานของคุณ; ในที่สุด ลำโพงอัจฉริยะ Google Home ก็มาพร้อมกับระบบ AI ตอนนี้ AI ดูเหมือนเด็กประถม แต่ในระยะยาว AI อาจถึงจุดที่ฉลาดกว่าคนทั่วไปที่โต้ตอบกับมัน

อย่างไรก็ตาม เพื่อให้บรรลุเป้าหมายนี้ อันดับแรก AI จะต้องมีความคล้ายมนุษย์มากขึ้น อย่างน้อยนั่นคือสิ่งที่หัวหน้านักวิทยาศาสตร์ Google Cloud และผู้อำนวยการ Stanford Lab คิด ปัญญาประดิษฐ์และมุมมองของ Fei-Fei Li ในความเห็นของเธอ ด้วยวิธีนี้ AI จะช่วยเราปรับปรุง ชีวิตประจำวันและจะให้ความสะดวกสบายทางจิตใจระหว่างการสื่อสารกับเขา

ในการให้สัมภาษณ์กับ MIT Technology Review หลี่อธิบายว่าความคิดเกี่ยวกับผลกระทบของ AI ที่มีต่อ โลกเป็นส่วนสำคัญของกระบวนการวิเคราะห์ และการทำงานร่วมกับปัญญาประดิษฐ์ได้แสดงให้เห็นอย่างชัดเจนว่าการพัฒนาในอนาคตจำเป็นต้องมีมนุษย์เป็นศูนย์กลางมากขึ้น

การพัฒนาความฉลาดของเครื่องจักร

“หากเราประเมินว่าเทคโนโลยี AI มาถึงระดับใดแล้วในปัจจุบัน ในความเห็นของฉัน เครื่องหมายที่โดดเด่นที่สุดก็คือการจดจำรูปแบบที่ยอดเยี่ยม AI สมัยใหม่มุ่งเน้นไปที่ มากเกินไป ขาดความตระหนักตามบริบทและการเรียนรู้ที่ยืดหยุ่นซึ่งมีอยู่ในตัวมนุษย์ นอกจากนี้ เรายังต้องการสร้างเทคโนโลยีที่ทำให้ชีวิตของผู้คนดีขึ้น ปลอดภัยขึ้น มีประสิทธิผลมากขึ้น และทำงานได้ดีขึ้น ซึ่งต้องอาศัยปฏิสัมพันธ์ระหว่างมนุษย์กับเครื่องจักรในระดับสูง” Li กล่าว

เราสามารถเห็นสัญญาณแรกของแนวโน้มดังกล่าวแล้ว แม้ว่าจะยังไม่เปิดเผยศักยภาพก็ตาม ตัวอย่างเช่น ในเดือนกรกฎาคม Google DeepMind ได้สาธิต AI ที่มี “จินตนาการ” และสามารถวิเคราะห์ข้อมูลและวางแผนการดำเนินการโดยปราศจากการแทรกแซงของมนุษย์ บริษัทกล่าวว่าผลิตผลของบริษัทนั้น "เกือบจะ" สามารถเลียนแบบคำพูดของมนุษย์ได้อย่างสมบูรณ์แบบ อีกเทคโนโลยีหนึ่งของ Google คือ Google Clips สามารถถ่ายภาพได้ด้วยตัวเอง ทำให้ไม่ต้องเดาว่า "ช่วงเวลาที่เหมาะสมที่สุด" ในการถ่ายภาพจะเป็นอย่างไร สิ่งนี้เข้ากันได้ดีกับวิสัยทัศน์ของ Lee แต่ยังเน้นย้ำถึงความจำเป็นในการทำงานต่อไปเพื่อการพึ่งพาตนเองของ AI

AI ในฐานะมนุษย์ในอุดมคติแห่งอนาคต

อย่างที่ Lee รับรอง การอัปเกรดปัญญาประดิษฐ์อย่างง่าย ๆ และเพิ่มคุณสมบัติใหม่ ๆ เข้าไปนั้นไม่เพียงพอ ยิ่งความสัมพันธ์ระหว่างเครื่องจักรกับบุคคลแน่นแฟ้นมากเท่าใด ความเสี่ยงที่ส่วนที่ผิดศีลธรรมของสังคมจะส่งผลต่อปัญญาประดิษฐ์ก็จะยิ่งสูงขึ้นเท่านั้น ดังนั้น ประการแรก จำเป็นต้องมีวิธีการที่สร้างสรรค์และการทำงานร่วมกันของผู้เชี่ยวชาญจำนวนมากที่นี่

“เมื่อคุณสร้างเทคโนโลยีที่กระจายอยู่ทั่วไปและมีบทบาทสำคัญต่อมนุษยชาติ แน่นอนว่าคุณต้องแน่ใจว่าเทคโนโลยีนั้นมีคุณค่าที่มีอยู่ในทุกคนและตอบสนองความต้องการของประชากรทั้งหมดของโลก . หากนักพัฒนาพยายามทุกวิถีทางเพื่อให้แน่ใจว่าโปรแกรมมีประโยชน์เท่าเทียมกันสำหรับทุกคนโดยไม่มีข้อยกเว้น สิ่งนี้จะทำให้เกิดการปฏิวัติในระบบปัญญาประดิษฐ์อย่างแท้จริง

แน่นอนว่าปัญญาประดิษฐ์คือตั๋วสู่อนาคตของเรา แต่การเป็นเพียงเครื่องมือที่อยู่ในมือของบุคคลนั้นสามารถใช้ทั้งเพื่อประโยชน์และเพื่อเห็นแก่ตัวและบางครั้งก็ผิดกฎหมาย หากเทคโนโลยีนี้ถูกกำหนดให้เปลี่ยนแปลงโลก หวังว่านักวิทยาศาสตร์จะตัดสินใจได้ถูกต้อง

อัลกอริทึมปัญญาประดิษฐ์เครื่องเข้าใจ ภาษาธรรมชาติเช่น ระบบคำถาม-คำตอบและการเข้าถึงฐานข้อมูลภาษาธรรมชาติ การแปลจากภาษาหนึ่งไปยังอีกภาษาหนึ่ง การจดจำรูปแบบ การวิเคราะห์ภาพฉาก 3 มิติ ระบบการแทนและการอนุมานความรู้โลจิสติก การเขียนโปรแกรมแบบฮิวริสติก การพิสูจน์ทฤษฎีบท การตัดสินใจ เกม ฐานข้อมูล ฐานความรู้ หุ่นยนต์ ระบบผู้เชี่ยวชาญ

นิยามเบื้องต้นของการคิด สมองเกิดขึ้นและพัฒนาขึ้นเพื่อให้สัตว์ดำรงอยู่ได้ นั่นคือเพื่อความอยู่รอด คำจำกัดความเชิงหน้าที่อย่างง่ายของการคิดนั้นเป็นไปได้ โดยพิจารณาจากแนวคิดว่าการคิดนั้นมีไว้เพื่ออะไร (มนุษย์หรือสัตว์) การคิดเป็นกระบวนการที่กระตือรือร้นในสมองของสิ่งมีชีวิต มุ่งเป้าไปที่: 1. การสร้างแบบจำลองลำดับชั้นของสภาพแวดล้อมที่ใช้งานอยู่ในสมอง ซึ่งจำเป็นและเพียงพอสำหรับการรับรู้สภาพแวดล้อมและการควบคุมพฤติกรรมที่มีจุดประสงค์ที่กระตือรือร้นในสภาพแวดล้อมที่หลากหลาย 2. การดำเนินการตามกระบวนการรับรู้สิ่งแวดล้อม 3. การดำเนินการตามกระบวนการควบคุมพฤติกรรมในสภาพแวดล้อมที่หลากหลาย 4. การดำเนินการตามกระบวนการเรียนรู้ 5. การแก้ปัญหาที่ไม่ใช่อัลกอริทึม (สร้างสรรค์)

ชายคนนั้นไม่สงสัยด้วยซ้ำว่าไม่มีสมองและสิ่งนี้ไม่ได้ป้องกันเขาจากการมีชีวิตทางปัญญาที่เต็มเปี่ยม ชายอายุ 44 ปี หัวหน้าสำนักเทศกิจ ค่าสัมประสิทธิ์ของสติปัญญาทั่วไป - IQ - คือ 75, วาจา - 84, อวัจนภาษา - 70 ซึ่งไม่มากนัก ค่าขนาดใหญ่อย่างไรก็ตาม โดยทั่วไปแล้วจะอยู่เหนือขีดจำกัดล่างของบรรทัดฐาน ซึ่งตามกฎแล้วจะมีค่าเท่ากับ 70

มีมังกรอยู่ในเราแต่ละคน การจัดองค์กร สมองของมนุษย์เช่นเดียวกับสัตว์ชั้นสูงทั้งหมดสามารถแบ่งออกเป็นสามอย่างตามเงื่อนไข โครงสร้างการทำงาน: สมองของสัตว์เลื้อยคลาน ก้านสมอง (รวมถึงไขสันหลัง) นีโอคอร์เท็กซ์ พฤติกรรมรวมถึงพฤติกรรมทางปัญญาถูกกำหนดโดยการทำงานแบบองค์รวมและเป็นอันหนึ่งอันเดียวกันของทุกคน โครงสร้างที่กำหนด. ทุกสิ่งที่เราได้รับมาจากสัตว์เลื้อยคลานนั้นมีความเป็นมนุษย์พอๆ กับการตอบสนองความต้องการทางจิตวิญญาณที่สูงขึ้น คำสอนที่มี "จิตวิญญาณ" สูงจำนวนมากเป็นรูปแบบหนึ่งของพฤติกรรมของสัตว์เลื้อยคลาน เป็นไปไม่ได้ที่จะฆ่า "มังกร" ตามคำอุปมาของ E. Schwartz ด้วย "มังกร" คุณสามารถตกลงได้เท่านั้น

ปัญญาประดิษฐ์แบบคลาสสิกไม่น่าจะรวมอยู่ในเครื่องคิด ขีดจำกัดของความเฉลียวฉลาดของมนุษย์ในด้านนี้ จะถูกจำกัดอยู่เพียงการสร้างระบบที่เลียนแบบการทำงานของสมองเท่านั้น

วิทยาศาสตร์ของปัญญาประดิษฐ์ (AI) กำลังอยู่ในระหว่างการปฏิวัติ เพื่ออธิบายสาเหตุและความหมายของมันและนำไปสู่มุมมอง ก่อนอื่นเราต้องหันไปหาประวัติศาสตร์

ในช่วงต้นทศวรรษ 1950 คำถามแบบดั้งเดิมที่ค่อนข้างคลุมเครือว่าเครื่องจักรสามารถคิดได้หรือไม่ ทำให้เกิดคำถามที่เข้าถึงได้มากขึ้นว่าเครื่องจักรที่ใช้สัญลักษณ์ทางกายภาพตามกฎโครงสร้างสามารถคิดได้หรือไม่ คำถามนี้มีการกำหนดขึ้นอย่างแม่นยำเนื่องจากในช่วงครึ่งศตวรรษที่ผ่านมา ตรรกะที่เป็นทางการและทฤษฎีการคำนวณมีความก้าวหน้าอย่างมาก นักทฤษฎีเริ่มชื่นชมความเป็นไปได้ของระบบสัญลักษณ์นามธรรมที่ได้รับการเปลี่ยนแปลงตามกฎบางอย่าง ดูเหมือนว่าหากระบบเหล่านี้สามารถทำงานอัตโนมัติได้ พลังการประมวลผลเชิงนามธรรมของมันก็จะปรากฎออกมาในระบบจริง มุมมองดังกล่าวมีส่วนทำให้เกิดโครงการวิจัยที่ชัดเจนบนพื้นฐานทางทฤษฎีที่ค่อนข้างลึก

เครื่องจักรสามารถคิดได้หรือไม่?

มีหลายเหตุผลที่ตอบว่าใช่ ตามประวัติศาสตร์แล้ว สาเหตุแรกและลึกที่สุดประการหนึ่งคือผลลัพธ์ที่สำคัญสองประการของทฤษฎีการคำนวณ ผลลัพธ์แรกคือวิทยานิพนธ์ของศาสนจักรที่ว่าทุกฟังก์ชันที่คำนวณได้อย่างมีประสิทธิภาพสามารถคำนวณซ้ำได้ คำว่า "คำนวณได้อย่างมีประสิทธิภาพ" หมายความว่ามีขั้นตอน "เชิงกล" บางประเภทซึ่งเป็นไปได้ที่จะคำนวณผลลัพธ์ในเวลาที่จำกัดจากข้อมูลอินพุต "การคำนวณแบบเรียกซ้ำได้" หมายความว่ามีชุดของการดำเนินการที่จำกัดซึ่งสามารถนำไปใช้กับอินพุตที่กำหนด จากนั้นจึงนำไปใช้ตามลำดับและซ้ำๆ กับผลลัพธ์ที่ได้รับใหม่เพื่อคำนวณฟังก์ชันในเวลาจำกัด แนวคิดของกระบวนการเชิงกลนั้นไม่เป็นทางการ แต่ค่อนข้างจะเข้าใจง่าย ดังนั้นวิทยานิพนธ์ของศาสนจักรจึงไม่มีข้อพิสูจน์อย่างเป็นทางการ อย่างไรก็ตาม มันเข้าถึงหัวใจของการคำนวณ และมีหลักฐานต่างๆ มากมายมาบรรจบกันเพื่อสนับสนุนมัน

ที่สอง ผลลัพธ์ที่สำคัญได้รับมาจาก Alan M. Turing ซึ่งแสดงให้เห็นว่าฟังก์ชันที่คำนวณแบบเรียกซ้ำใดๆ สามารถคำนวณได้ในเวลาจำกัดโดยใช้เครื่องจัดการสัญลักษณ์ที่เรียบง่ายที่สุด ซึ่งต่อมาเรียกว่าเครื่องทัวริงสากล เครื่องนี้ถูกควบคุมโดยกฎที่ใช้เรียกซ้ำซึ่งละเอียดอ่อนต่อเอกลักษณ์ คำสั่ง และตำแหน่งของสัญลักษณ์พื้นฐานที่ทำหน้าที่เป็นอินพุต

ข้อพิสูจน์ที่สำคัญมากตามมาจากผลลัพธ์ทั้งสองนี้ กล่าวคือ คอมพิวเตอร์ดิจิทัลมาตรฐานที่ติดตั้งโปรแกรมที่ถูกต้องก็เพียงพอแล้ว หน่วยความจำที่ดีและเมื่อมีเวลาเพียงพอ ก็สามารถคำนวณฟังก์ชันที่ขับเคลื่อนด้วยกฎด้วยอินพุตและเอาต์พุต กล่าวอีกนัยหนึ่ง เขาสามารถแสดงให้เห็นถึงชุดการตอบสนองอย่างเป็นระบบต่ออิทธิพลตามอำเภอใจจากสภาพแวดล้อมภายนอก

ให้เราสรุปสิ่งนี้ดังต่อไปนี้: ผลลัพธ์ที่กล่าวถึงข้างต้นหมายความว่าเครื่องที่ตั้งโปรแกรมอย่างถูกต้องซึ่งจัดการสัญลักษณ์ (ต่อไปนี้จะเรียกว่าเครื่อง MC) จะต้องผ่านการทดสอบของทัวริงสำหรับการมีอยู่ของจิตสำนึก การทดสอบทัวริงเป็นการทดสอบพฤติกรรมเท่านั้น แต่ข้อกำหนดนั้นเข้มงวดมาก (เราจะพิจารณาการทดสอบนี้ว่าเชื่อถือได้เพียงใดด้านล่าง ซึ่งเราพบกับ "การทดสอบ" ที่สองที่แตกต่างกันโดยพื้นฐานสำหรับการมีอยู่ของจิตสำนึก) ตามเวอร์ชันดั้งเดิมของการทดสอบทัวริง อินพุตสำหรับเครื่อง MS ควร เป็นคำถามและวลีในภาษาธรรมชาติ ภาษาพูดที่เราพิมพ์บนแป้นพิมพ์ของอุปกรณ์อินพุต และเอาต์พุต คือคำตอบของเครื่อง MS ที่พิมพ์โดยอุปกรณ์เอาต์พุต เครื่องจักรจะถือว่าผ่านการทดสอบนี้สำหรับการมีอยู่ของจิตสำนึก หากการตอบสนองของมันไม่สามารถแยกความแตกต่างจากที่พิมพ์โดยบุคคลที่มีสติปัญญาจริงๆ แน่นอน ในปัจจุบันไม่มีใครรู้ถึงฟังก์ชันที่จะได้ผลลัพธ์ที่ไม่แตกต่างจากพฤติกรรม เป็นคนมีเหตุผล. แต่ผลลัพธ์ของ Church และ Turing ทำให้เรามั่นใจได้ว่า ไม่ว่าฟังก์ชันนี้ (น่าจะมีประสิทธิภาพ) เป็นอย่างไร เครื่อง MS ที่ออกแบบอย่างเหมาะสมก็สามารถคำนวณได้

นี่เป็นข้อสรุปที่สำคัญมาก โดยเฉพาะอย่างยิ่งเมื่อพิจารณาว่าคำอธิบายของทัวริงเกี่ยวกับการโต้ตอบกับเครื่องจักรโดยใช้เครื่องพิมพ์ดีดนั้นเป็นข้อจำกัดที่ไม่มีนัยสำคัญ ข้อสรุปเดียวกันนี้ถือแม้ว่าเครื่อง MS จะโต้ตอบกับโลกมากขึ้น วิธีที่ซับซ้อน: ใช้เครื่องมือของการมองเห็นโดยตรง คำพูดที่เป็นธรรมชาติ ฯลฯ ในท้ายที่สุด ฟังก์ชันเรียกซ้ำที่ซับซ้อนมากขึ้นยังคงสามารถคำนวณได้ของทัวริง มีเพียงปัญหาเดียวที่เหลืออยู่: เพื่อค้นหาปัญหานั้น ฟังก์ชันที่ซับซ้อนซึ่งควบคุมการตอบสนองของบุคคลต่ออิทธิพลจากสภาพแวดล้อมภายนอก จากนั้นจึงเขียนโปรแกรม (ชุดของกฎที่ใช้ซ้ำได้) ด้วยความช่วยเหลือซึ่งเครื่อง MS จะคำนวณฟังก์ชันนี้ เป้าหมายเหล่านี้เป็นพื้นฐานของโปรแกรมทางวิทยาศาสตร์ของปัญญาประดิษฐ์แบบดั้งเดิม

ผลลัพธ์แรกเป็นกำลังใจ

สาธิตเครื่อง MS ที่ตั้งโปรแกรมไว้อย่างชาญฉลาด ทั้งเส้นการกระทำที่ดูเหมือนจะเกี่ยวข้องกับอาการของจิตใจ พวกเขาตอบสนองต่อคำสั่งที่ซับซ้อน แก้ปัญหาเลขคณิตยากๆ พีชคณิตและยุทธวิธี เล่นหมากฮอสและหมากรุก พิสูจน์ทฤษฎีบทและรักษาบทสนทนาง่ายๆ ผลลัพธ์ดีขึ้นอย่างต่อเนื่องด้วยการถือกำเนิดของอุปกรณ์จัดเก็บข้อมูลที่ใหญ่ขึ้น เครื่องที่เร็วขึ้น และการพัฒนาโปรแกรมที่ทรงพลังและซับซ้อนยิ่งขึ้น AI แบบคลาสสิกหรือแบบ "โปรแกรม" นั้นมีชีวิตชีวาและประสบความสำเร็จอย่างมาก ทิศทางทางวิทยาศาสตร์จากเกือบทุกมุมมอง การปฏิเสธซ้ำๆ ว่าในที่สุดเครื่อง MC จะสามารถคิดได้ดูเหมือนจะมีอคติและขาดความรู้ หลักฐานที่สนับสนุนคำตอบเชิงบวกสำหรับคำถามในชื่อบทความดูน่าเชื่อถือมากกว่า

แน่นอนว่ามีความคลุมเครืออยู่บ้าง ประการแรก เครื่อง MC ดูไม่เหมือนมากนัก สมองมนุษย์. อย่างไรก็ตาม ที่นี่ก็เช่นกัน AI แบบคลาสสิกก็มีคำตอบที่น่าเชื่อถือพร้อมแล้ว ประการแรก วัสดุทางกายภาพที่เครื่อง MS ทำขึ้นนั้นไม่มีส่วนเกี่ยวข้องกับฟังก์ชันที่คำนวณ หลังรวมอยู่ในโปรแกรม ประการที่สองรายละเอียดทางเทคนิคของสถาปัตยกรรมการทำงานของเครื่องก็ไม่สำคัญเช่นกัน เนื่องจากเป็นข้อมูลที่สมบูรณ์ สถาปัตยกรรมต่างๆซึ่งออกแบบมาเพื่อทำงานกับโปรแกรมที่แตกต่างกันโดยสิ้นเชิง แต่ยังสามารถใช้งานฟังก์ชันอินพุต-เอาต์พุตเดียวกันได้

ดังนั้น เป้าหมายของ AI คือการค้นหาฟังก์ชันที่เป็นลักษณะเฉพาะของจิตใจในแง่ของอินพุตและเอาต์พุต และเพื่อสร้างโปรแกรมที่มีประสิทธิภาพสูงสุดจากหลายโปรแกรมที่เป็นไปได้เพื่อคำนวณฟังก์ชันนี้ ในขณะเดียวกันก็มีการกล่าวว่าวิธีเฉพาะที่สมองมนุษย์คำนวณฟังก์ชันนั้นไม่สำคัญ สิ่งนี้ทำให้คำอธิบายสาระสำคัญของ AI แบบคลาสสิกสมบูรณ์และเหตุผลสำหรับคำตอบเชิงบวกสำหรับคำถามที่ตั้งขึ้นในชื่อบทความ

เครื่องจักรสามารถคิดได้หรือไม่? นอกจากนี้ยังมีข้อโต้แย้งบางประการที่สนับสนุนคำตอบเชิงลบ ตลอดทศวรรษที่ 1960 ข้อโต้แย้งเชิงลบที่น่าสังเกตนั้นค่อนข้างหายาก บางครั้งมีการคัดค้านว่าคิดไม่เป็น กระบวนการทางกายภาพและไหลเวียนอยู่ในจิตวิญญาณที่ไม่มีตัวตน อย่างไรก็ตาม มุมมองแบบทวิลักษณ์ดังกล่าวดูเหมือนจะไม่น่าเชื่อถือเพียงพอจากมุมมองเชิงวิวัฒนาการหรือเชิงตรรกะ มันไม่ได้มีผลยับยั้งการวิจัย AI

การพิจารณาถึงธรรมชาติที่แตกต่างกันทำให้ผู้เชี่ยวชาญด้าน AI สนใจมากขึ้น ในปี 1972 Hubert L. Dreyfus ได้ตีพิมพ์หนังสือที่วิพากษ์วิจารณ์อย่างมากเกี่ยวกับการแสดงขบวนพาเหรดของหน่วยสืบราชการลับในระบบ AI เขาชี้ให้เห็นว่าระบบเหล่านี้ไม่ได้จำลองความคิดที่แท้จริงอย่างเพียงพอ และเผยให้เห็นรูปแบบที่มีอยู่ในสิ่งเหล่านี้ทั้งหมด ความพยายามที่ไม่สำเร็จ. ในความคิดของเขา นางแบบขาดสิ่งนั้น หุ้นขนาดใหญ่ไม่เป็นทางการ ความรู้ทั่วไปเกี่ยวกับโลกที่บุคคลใดมี ตลอดจนความสามารถที่มีอยู่ในสามัญสำนึกในการพึ่งพาองค์ประกอบบางอย่างของสิ่งเหล่านี้ ความรู้แล้วแต่จากความต้องการของสภาพแวดล้อมที่เปลี่ยนไป เดรย์ฟัสไม่ได้ปฏิเสธความเป็นไปได้พื้นฐานของการสร้างระบบทางกายภาพเทียมที่สามารถคิดได้ แต่เขาวิจารณ์อย่างมากต่อแนวคิดที่ว่าสิ่งนี้สามารถทำได้โดยการใช้สัญลักษณ์ร่วมกับกฎที่ใช้ซ้ำๆ เท่านั้น

ในแวดวงของผู้เชี่ยวชาญด้านปัญญาประดิษฐ์ เช่นเดียวกับนักปรัชญาแห่งเหตุผล เดรย์ฟัสส่วนใหญ่ถูกมองว่าเป็นคนสายตาสั้นและมีอคติ โดยพิจารณาจากความเรียบง่ายที่หลีกเลี่ยงไม่ได้ซึ่งมีอยู่ในสาขาการวิจัยที่ยังใหม่มาก บางทีข้อบกพร่องเหล่านี้อาจเกิดขึ้นจริง แต่แน่นอนว่าเกิดขึ้นชั่วคราว เวลาจะมาถึงเมื่อเครื่องจักรที่ทรงพลังกว่าและโปรแกรมที่ดีกว่าจะทำให้สามารถกำจัดข้อบกพร่องเหล่านี้ได้ ดูเหมือนว่าเวลาจะใช้ได้กับปัญญาประดิษฐ์ ดังนั้น การคัดค้านเหล่านี้จึงไม่มีผลกระทบใด ๆ ที่เห็นได้ชัดเจน การวิจัยต่อไปในด้าน AI

อย่างไรก็ตาม กลับกลายเป็นว่าเวลานั้นใช้ได้ผล เดรย์ฟัส: ในช่วงปลายยุค 70 และต้นยุค 80 การเพิ่มความเร็วและหน่วยความจำของคอมพิวเตอร์ทำให้ " ความสามารถทางจิต" ไม่มาก. ปรากฎว่าการจดจำรูปแบบในระบบวิชันซิสเต็มต้องใช้การคำนวณจำนวนมากโดยไม่คาดคิด เพื่อให้ได้ผลลัพธ์ที่เชื่อถือได้ในทางปฏิบัติ ต้องใช้เวลากับคอมพิวเตอร์มากขึ้นเรื่อยๆ ซึ่งมากกว่าเวลาที่ต้องใช้ในการทำงานเดียวกันสำหรับระบบการมองเห็นทางชีวภาพอย่างมาก กระบวนการจำลองที่ช้าเช่นนี้น่าตกใจ เพราะในคอมพิวเตอร์ สัญญาณจะแพร่กระจายเร็วกว่าในสมองประมาณหนึ่งล้านเท่า และความถี่สัญญาณนาฬิกาของหน่วยประมวลผลกลางของคอมพิวเตอร์นั้นสูงกว่าความถี่ของการสั่นใดๆ ที่พบประมาณเท่าๆ กัน ในสมอง และสำหรับงานจริง เต่าก็แซงหน้ากระต่ายได้อย่างง่ายดาย

นอกจากนี้เพื่อแก้ปัญหาที่สมจริงมีความจำเป็นที่ โปรแกรมคอมพิวเตอร์สามารถเข้าถึงฐานข้อมูลที่กว้างขวางมาก การสร้างฐานข้อมูลดังกล่าวเป็นปัญหาที่ค่อนข้างยากในตัวมันเองอยู่แล้ว แต่สถานการณ์อื่นทำให้รุนแรงขึ้น เช่น จะให้การเข้าถึงส่วนย่อยที่ขึ้นกับบริบทของฐานข้อมูลนี้ในแบบเรียลไทม์ได้อย่างไร เมื่อฐานข้อมูลมีมากขึ้นเรื่อย ๆ ปัญหาการเข้าถึงก็ซับซ้อนมากขึ้น การค้นหาอย่างละเอียดถี่ถ้วนใช้เวลานานเกินไป และ วิธีฮิวริสติกไม่ได้นำไปสู่ความสำเร็จเสมอไป ความกลัวที่คล้ายกับที่ Dreyfus แสดงออกมาเริ่มแบ่งปันกันแม้กระทั่งโดยผู้เชี่ยวชาญบางคนที่ทำงานด้านปัญญาประดิษฐ์

ในช่วงเวลานี้ (พ.ศ. 2523) จอห์น เซียร์ลได้นำเสนอแนวคิดเชิงวิพากษ์ที่ก้าวล้ำ ซึ่งก่อให้เกิดคำถามเกี่ยวกับข้อสันนิษฐานพื้นฐานที่สำคัญของวาระการวิจัย AI แบบคลาสสิก กล่าวคือ แนวคิดที่ว่าการจัดการที่ถูกต้องของสัญลักษณ์ที่มีโครงสร้างโดยการใช้กฎแบบวนซ้ำที่คำนึงถึงโครงสร้างของมัน อาจเป็นแก่นแท้ของจิตสำนึก

ข้อโต้แย้งหลักของ Searle มาจากการทดลองทางความคิด ซึ่งเขาได้แสดงข้อเท็จจริงที่สำคัญมากสองประการ ประการแรก เขาอธิบายเครื่อง MC ที่ (ตามที่เราควรจะเข้าใจ) ใช้ฟังก์ชันที่อินพุตและเอาต์พุตสามารถผ่านการทดสอบทัวริงได้ในรูปแบบของการสนทนาที่เกิดขึ้นเฉพาะในภาษาจีน ประการที่สอง โครงสร้างภายในของเครื่องจักรนั้นไม่ว่าจะแสดงพฤติกรรมใด ผู้สังเกตก็ไม่ต้องสงสัยเลยว่าทั้งเครื่องจักรโดยรวมหรือส่วนใดส่วนหนึ่งของมันไม่เข้าใจ ชาวจีน. ทั้งหมดประกอบด้วยบุคคลที่พูดภาษาอังกฤษได้เท่านั้น โดยปฏิบัติตามกฎที่เขียนไว้ในคำแนะนำ พร้อมความช่วยเหลือในการเข้าและออกจากกล่องจดหมายที่ประตู กล่าวโดยสรุปคือ ระบบผ่านการทดสอบของทัวริงในเชิงบวก แม้ว่าระบบจะไม่มีความเข้าใจอย่างแท้จริงเกี่ยวกับภาษาจีนและเนื้อหาความหมายที่แท้จริงของข้อความก็ตาม (ดูบทความของ J. Searle เรื่อง "The Mind of the Brain - a Computer Program? ").

ข้อสรุปทั่วไปจากสิ่งนี้คือระบบใดก็ตามที่เพียงแค่ใช้สัญลักษณ์ทางกายภาพตามกฎที่ไวต่อโครงสร้างจะเป็นการล้อเลียนที่น่าสมเพชของจิตสำนึกที่แท้จริง เนื่องจากเป็นไปไม่ได้ที่จะสร้าง "ความหมายที่แท้จริง" โดยเพียงแค่หมุนปุ่มของ " ไวยากรณ์ว่าง" ควรสังเกตว่า Searle ไม่ได้เสนอการทดสอบพฤติกรรม (ไม่ใช่พฤติกรรม) สำหรับการมีอยู่ของจิตสำนึก: องค์ประกอบของจิตสำนึกต้องมีเนื้อหาความหมายที่แท้จริง

มีใครอยากจะประณาม Searle ว่ามี การทดลองทางความคิดไม่เพียงพอเนื่องจากระบบที่เขาเสนอซึ่งทำหน้าที่เหมือน "ลูกบาศก์ของรูบิค" จะทำงานช้าอย่างไร้เหตุผล อย่างไรก็ตาม Searle ยืนยันว่าประสิทธิภาพใน กรณีนี้ไม่มีบทบาท ใครคิดช้าก็ยังคิดถูก ทุกสิ่งที่จำเป็นสำหรับการผลิตซ้ำความคิดตามแนวคิดของ AI แบบดั้งเดิมในความคิดของเขามีอยู่ใน "ห้องจีน"

บทความของ Searle กระตุ้นให้เกิดการตอบสนองอย่างกระตือรือร้นจากผู้เชี่ยวชาญด้าน AI นักจิตวิทยา และนักปรัชญา อย่างไรก็ตาม โดยรวมแล้ว พบกับความเกลียดชังยิ่งกว่าหนังสือของเดรย์ฟัสเสียอีก ในบทความของเขาซึ่งตีพิมพ์พร้อมกันในวารสารฉบับนี้ Searle ได้โต้แย้งแนวคิดของเขาหลายประการ ในความเห็นของเรา หลายคนชอบด้วยกฎหมาย โดยเฉพาะอย่างยิ่งผู้ที่ผู้เขียน "จับเหยื่อ" อย่างละโมบ โดยอ้างว่าแม้ว่าระบบที่ประกอบด้วยห้องและเนื้อหาจะช้ามาก แต่ก็ยังเข้าใจภาษาจีนได้

เราชอบคำตอบเหล่านี้ แต่ไม่ใช่เพราะเราคิดว่าห้องจีนเข้าใจภาษาจีน เราเห็นด้วยกับ Searle ว่าเธอไม่เข้าใจเขา ความน่าสนใจของข้อโต้แย้งเหล่านี้คือข้อโต้แย้งเหล่านี้สะท้อนถึงความล้มเหลวในการยอมรับสัจพจน์ประการที่สามที่สำคัญทั้งหมดในข้อโต้แย้งของ Searle: "ไวยากรณ์โดยตัวมันเองไม่ก่อให้เกิดความหมายและไม่เพียงพอสำหรับการมีอยู่ของความหมาย" สัจพจน์นี้อาจเป็นจริง แต่ Searle ไม่สามารถอ้างเหตุผลที่สมเหตุสมผลได้ว่าเขารู้เรื่องนี้อย่างแน่นอน ยิ่งกว่านั้น การเสนอว่าเป็นความจริงคือการตั้งคำถามว่าโปรแกรมการวิจัย AI แบบคลาสสิกนั้นเหมาะสมหรือไม่ เนื่องจากโปรแกรมนี้ตั้งอยู่บนพื้นฐานของสมมติฐานที่น่าสนใจมากที่ว่า หากเราสามารถกำหนดกระบวนการที่มีโครงสร้างอย่างเหมาะสมเท่านั้น การเต้นรำภายในขององค์ประกอบวากยสัมพันธ์ที่เชื่อมต่ออย่างถูกต้องกับอินพุตและเอาต์พุต จากนั้นเราจะได้รับสถานะเดียวกันและการแสดงออกของจิตใจที่มีอยู่ในตัวมนุษย์

สัจพจน์ข้อที่สามของ Searle นั้นทำให้เกิดคำถามนี้ขึ้นเมื่อเราเปรียบเทียบโดยตรงกับข้อสรุปแรกของเขา: "โปรแกรมปรากฏเป็นสาระสำคัญของจิตใจและการมีอยู่ของโปรแกรมนั้นไม่เพียงพอสำหรับการมีอยู่ของจิตใจ" ไม่ยากที่จะเห็นว่าสัจพจน์ที่สามของเขามีข้อสรุปเกือบ 90% ที่เหมือนกันอยู่แล้ว นี่คือเหตุผลที่การทดลองทางความคิดของ Searle ได้รับการออกแบบมาเพื่อรองรับสัจพจน์ที่สามโดยเฉพาะ นี่คือจุดรวมของห้องจีน

แม้ว่าตัวอย่างของห้องภาษาจีนจะทำให้สัจพจน์ 3 น่าสนใจสำหรับผู้ที่ไม่ได้ฝึกหัด แต่เราไม่คิดว่ามันจะพิสูจน์ความถูกต้องของสัจพจน์นี้ และเพื่อแสดงให้เห็นถึงความล้มเหลวของตัวอย่างนี้ เราขอเสนอตัวอย่างคู่ขนานของเราเพื่อเป็นภาพประกอบ บ่อยครั้งตัวอย่างที่ดีเพียงข้อเดียวที่หักล้างคำกล่าวที่ขัดแย้งกันนั้นดีกว่าในการชี้แจงสถานการณ์มากกว่า หนังสือทั้งเล่มเต็มไปด้วยการเล่นกลเชิงตรรกะ

มีตัวอย่างมากมายของความสงสัยในประวัติศาสตร์ของวิทยาศาสตร์ เช่นที่เราเห็นในเหตุผลของ Searle ในศตวรรษที่สิบแปด บิชอปชาวไอริช George Berkeley คิดว่ามันเหลือเชื่อที่คลื่นอัดในอากาศสามารถเป็นแก่นแท้ของปรากฏการณ์ทางเสียงหรือเป็นปัจจัยที่เพียงพอสำหรับการดำรงอยู่ของพวกมัน กวีอังกฤษและจิตรกรวิลเลียม เบลค และกวีธรรมชาติชาวเยอรมัน โยฮันน์ เกอเธ่ มองว่าเป็นเรื่องเหลือเชื่อที่อนุภาคขนาดเล็กของสสารสามารถเป็นตัวตนหรือปัจจัยที่เพียงพอสำหรับการดำรงอยู่ของแสงตามวัตถุประสงค์ แม้แต่ในศตวรรษนี้ก็ยังมีผู้ชายหลายคนที่ไม่สามารถจินตนาการว่าสสารที่ไม่มีชีวิตด้วยตัวมันเอง ไม่ว่าองค์กรของมันจะซับซ้อนเพียงใด ก็สามารถเป็นสิ่งมีชีวิตที่เป็นธรรมชาติหรือเป็นสภาวะที่เพียงพอของชีวิตได้ เห็นได้ชัดว่าสิ่งที่ผู้คนอาจจินตนาการหรือไม่อาจจินตนาการมักไม่เกี่ยวข้องกับสิ่งที่มีอยู่จริงหรือไม่มีอยู่จริง นี่เป็นเรื่องจริงแม้ว่าจะเกี่ยวข้องกับคนที่มีระดับสติปัญญาสูงมากก็ตาม

เพื่อดูว่าสิ่งเหล่านี้ บทเรียนทางประวัติศาสตร์สามารถนำไปใช้กับเหตุผลของ Searle ใช้คู่ขนานที่คิดค้นขึ้นเองกับตรรกะของเขา และสนับสนุนคู่ขนานนี้ด้วยการทดลองทางความคิด

สัจพจน์ 1. ไฟฟ้าและแม่เหล็กเป็นแรงทางกายภาพ

สัจพจน์ 2 คุณสมบัติที่สำคัญของแสงคือความส่องสว่าง

สัจพจน์ที่ 3 กองกำลังนั้นปรากฏเป็นสาระสำคัญของเอฟเฟกต์การเรืองแสงและไม่เพียงพอสำหรับการมีอยู่ของมัน

สรุป 1. ไฟฟ้าและแม่เหล็กไม่ใช่สาระสำคัญของแสงและไม่เพียงพอสำหรับการมีอยู่ของมัน

สมมติว่าเหตุผลนี้เผยแพร่หลังจากนั้นไม่นาน เจมส์ เค. แม็กซ์เวลล์ในปี พ.ศ. 2407 เสนอว่าแสงและคลื่นแม่เหล็กไฟฟ้ามีความเหมือนกัน แต่ก่อนที่ความคล้ายคลึงกันอย่างเป็นระบบระหว่างคุณสมบัติของแสงและคุณสมบัติของคลื่นแม่เหล็กไฟฟ้าจะเกิดขึ้นอย่างสมบูรณ์ในโลก เหตุผลเชิงตรรกะข้างต้นอาจดูเหมือนเป็นการคัดค้านสมมติฐานที่ชัดเจนของ Maxwell โดยเฉพาะอย่างยิ่งหากมาพร้อมกับความคิดเห็นต่อไปนี้ที่สนับสนุน Axiom 3

พิจารณาห้องมืดที่มีคนถืออยู่ แม่เหล็กถาวรหรือรายการเรียกเก็บ. หากคนเริ่มขยับแม่เหล็กขึ้นและลง ตามทฤษฎีของแสงประดิษฐ์ (AI) ของ Maxwell คลื่นแม่เหล็กไฟฟ้าที่แพร่กระจายจะแผ่ออกมาจากแม่เหล็กและห้องจะสว่างขึ้น แต่ทุกคนที่เคยลองเล่นกับแม่เหล็กหรือลูกบอลที่มีประจุจะทราบดีว่า แรงของแม่เหล็ก (และสำหรับเรื่องนั้นก็คือแรงอื่นใด) แม้ว่าวัตถุเหล่านี้กำลังเคลื่อนที่ จะไม่ก่อให้เกิดการเรืองแสงใดๆ ดังนั้นจึงเป็นเรื่องที่คิดไม่ถึงว่าเราจะสามารถสร้างเอฟเฟ็กต์เรืองแสงได้เพียงแค่ควบคุมกองกำลังเท่านั้น!

ความผันผวน แรงแม่เหล็กไฟฟ้ามีน้ำหนักเบาแม้ว่าแม่เหล็กที่บุคคลนั้นเคลื่อนไหวจะไม่เรืองแสงก็ตาม ในทำนองเดียวกัน การใช้สัญลักษณ์ตามกฎบางอย่างอาจแสดงถึงความฉลาด แม้ว่าระบบตามกฎที่พบในห้องจีนของ Searle ดูเหมือนจะขาดความเข้าใจอย่างแท้จริง

แม็กซ์เวลล์จะตอบอย่างไรหากความท้าทายนี้ส่งมาถึงเขา

ประการแรก เขาอาจยืนยันว่าการทดลอง "ห้องส่องสว่าง" ทำให้เราเข้าใจผิดเกี่ยวกับคุณสมบัติของแสงที่มองเห็นได้ เนื่องจากความถี่ของการสั่นสะเทือนของแม่เหล็กนั้นต่ำมาก ซึ่งน้อยกว่าที่จำเป็นประมาณ 1,015 เท่า อาจตามมาด้วยการตอบกลับอย่างใจร้อนว่าความถี่ไม่ได้มีบทบาทใด ๆ ที่นี่ ห้องที่มีแม่เหล็กสั่นนั้นมีทุกสิ่งที่จำเป็นสำหรับการแสดงเอฟเฟกต์เรืองแสงตามทฤษฎีของ Maxwell เอง

ในทางกลับกัน แม็กซ์เวลล์สามารถ "จับเหยื่อ" โดยอ้างว่าค่อนข้างถูกต้องว่าห้องนั้นเต็มไปด้วยความส่องสว่างอยู่แล้ว แต่ธรรมชาติและความแข็งแกร่งของการเรืองแสงนี้ทำให้คนไม่สามารถมองเห็นได้ (เนื่องจากความถี่ต่ำที่บุคคลเคลื่อนแม่เหล็ก ความยาวของคลื่นแม่เหล็กไฟฟ้าที่สร้างขึ้นจึงมีขนาดใหญ่เกินไปและความเข้มต่ำเกินกว่าที่สายตามนุษย์จะตอบสนองได้) อย่างไรก็ตาม เมื่อพิจารณาถึงระดับความเข้าใจในปรากฏการณ์เหล่านี้ ในช่วงเวลาที่พิจารณา (60s ของศตวรรษที่ผ่านมา) คำอธิบายดังกล่าวน่าจะทำให้เกิดเสียงหัวเราะและคำพูดเยาะเย้ย ห้องเรืองแสง! แต่ขอโทษนะคุณแม็กซ์เวลล์ ข้างในนั้นมืดสนิท!”

เราจึงเห็นว่าคนจน แม็กซ์เวลล์ต้องลำบาก สิ่งที่เขาทำได้คือยืนหยัดในสามประเด็นต่อไปนี้ ประการแรก สัจพจน์ข้อ 3 ในเหตุผลข้างต้นไม่เป็นความจริง อันที่จริงแม้ว่าโดยสัญชาตญาณดูเหมือนว่าเป็นไปได้ค่อนข้างมาก แต่เราตั้งคำถามเกี่ยวกับเรื่องนี้โดยไม่สมัครใจ ประการที่สอง การทดลองในห้องเรืองแสงไม่ได้แสดงให้เราเห็นถึงสิ่งที่น่าสนใจ ลักษณะทางกายภาพสเวตา และประการที่สาม เพื่อที่จะแก้ปัญหาของแสงและความเป็นไปได้ของแสงประดิษฐ์อย่างแท้จริง เราจำเป็นต้องมีโปรแกรมการวิจัยที่จะช่วยให้เราสามารถระบุได้ว่าภายใต้สภาวะที่เหมาะสม พฤติกรรมของคลื่นแม่เหล็กไฟฟ้าจะเหมือนกันกับพฤติกรรมของแสงอย่างสมบูรณ์หรือไม่ ปัญญาประดิษฐ์แบบคลาสสิกควรได้รับคำตอบเดียวกันกับการให้เหตุผลของ Searle แม้ว่าห้องภาษาจีนของ Searle อาจดู "มืดมนทางความหมาย" แต่เขาก็มีเหตุผลเพียงเล็กน้อยที่จะยืนยันว่าการใช้สัญลักษณ์ที่กระทำตามกฎบางอย่างไม่สามารถสร้างปรากฏการณ์ทางความหมายได้ โดยเฉพาะอย่างยิ่งเมื่อผู้คนยังขาดความรู้และถูกจำกัดด้วยความเข้าใจของ ภาษา. ระดับ การใช้ความคิดเบื้องต้นความหมายและปรากฏการณ์ทางจิตที่ต้องการคำอธิบาย แทนที่จะใช้ประโยชน์จากความเข้าใจในสิ่งเหล่านี้ Searle ในเหตุผลของเขาใช้การขาดความเข้าใจในผู้คนอย่างอิสระ

ได้แสดงตน วิจารณ์เกี่ยวกับการให้เหตุผลของ Searle ขอให้กลับมาที่คำถามว่าโปรแกรม AI แบบคลาสสิกมีโอกาสจริงในการแก้ปัญหาของจิตสำนึกและสร้างเครื่องคิดหรือไม่ เราเชื่อว่าโอกาสที่นี่ไม่สดใส แต่ความเห็นของเราตั้งอยู่บนเหตุผลที่แตกต่างจากเหตุผลที่ Searle ใช้โดยพื้นฐาน เราสร้างจากความล้มเหลวเฉพาะเจาะจงของโปรแกรมการวิจัย AI แบบคลาสสิก และชุดบทเรียนที่สมองทางชีวภาพได้สอนเราผ่านแบบจำลองการคำนวณระดับใหม่ที่รวบรวมคุณสมบัติบางอย่างของโครงสร้าง เราได้กล่าวถึงความล้มเหลวของ AI แบบดั้งเดิมในการแก้ปัญหาที่แก้ไขได้อย่างรวดเร็วและมีประสิทธิภาพโดยสมอง นักวิทยาศาสตร์ค่อยๆ ลงความเห็นเป็นเอกฉันท์ว่าความล้มเหลวเหล่านี้เกิดจากคุณสมบัติของสถาปัตยกรรมการทำงานของเครื่อง MS ซึ่งไม่เหมาะสำหรับการแก้ปัญหางานที่ซับซ้อนก่อนหน้านั้น

สิ่งที่เราต้องรู้คือสมองทำอย่างไรให้เกิดผลในการคิด? วิศวกรรมย้อนกลับเป็นเทคนิคที่แพร่หลายในด้านวิศวกรรม เมื่อเทคโนโลยีชิ้นใหม่ออกสู่ตลาด คู่แข่งจะหาวิธีการทำงานโดยการแยกส่วนและพยายามคาดเดาหลักการที่เป็นพื้นฐาน ในกรณีของสมอง แนวทางนี้ยากเป็นพิเศษในการดำเนินการ เนื่องจากสมองเป็นสิ่งที่ซับซ้อนที่สุดในโลก อย่างไรก็ตาม นักประสาทสรีรวิทยาสามารถค้นพบคุณสมบัติต่างๆ ของสมองได้หลายประการ ระดับโครงสร้าง. คุณสมบัติทางกายวิภาคสามประการที่แยกความแตกต่างโดยพื้นฐานจากสถาปัตยกรรมของคอมพิวเตอร์อิเล็กทรอนิกส์แบบดั้งเดิม

ประการแรกระบบประสาทเป็นเครื่องจักรคู่ขนาน ในแง่ที่ว่าสัญญาณได้รับการประมวลผลพร้อมๆ กันในรูปแบบต่างๆ นับล้านวิธี ตัวอย่างเช่น เรตินาของดวงตาส่งสัญญาณอินพุตที่ซับซ้อนไปยังสมองซึ่งไม่ได้อยู่ในชุดขององค์ประกอบ 8, 16 หรือ 32 อย่างเหมือนคอมพิวเตอร์ตั้งโต๊ะ แต่อยู่ในรูปของสัญญาณที่ประกอบด้วยองค์ประกอบเกือบล้านองค์ประกอบที่มาถึงพร้อมกันที่ ปลายประสาทตา (ร่างกายด้านข้าง) หลังจากนั้นสมองก็จะประมวลผลพร้อมกันในขั้นตอนเดียว ประการที่สอง "อุปกรณ์ประมวลผล" เบื้องต้นของสมองซึ่งก็คือเซลล์ประสาทนั้นค่อนข้างเรียบง่าย นอกจากนี้ การตอบสนองต่อสัญญาณอินพุตเป็นแบบอะนาล็อก ไม่ใช่ดิจิทัล ในแง่ที่ว่าความถี่ของสัญญาณเอาต์พุตเปลี่ยนแปลงอย่างต่อเนื่องกับสัญญาณอินพุต

ที่สาม,ในสมอง นอกจากแอกซอนที่นำจากเซลล์ประสาทกลุ่มหนึ่งไปยังอีกกลุ่มหนึ่งแล้ว เรามักพบว่าแอกซอนนำหน้าไปในทิศทางตรงกันข้าม กระบวนการย้อนกลับเหล่านี้ช่วยให้สมองสามารถปรับวิธีการประมวลผลข้อมูลทางประสาทสัมผัสได้ ที่สำคัญกว่านั้นคือข้อเท็จจริงที่ว่าเนื่องจากการดำรงอยู่ของพวกมัน สมองจึงเป็นระบบที่มีไดนามิกอย่างแท้จริง ซึ่งพฤติกรรมที่คงไว้อย่างต่อเนื่องนั้นมีทั้งความซับซ้อนที่สูงมากและความเป็นอิสระสัมพัทธ์จากสิ่งเร้ารอบข้าง แบบจำลองเครือข่ายแบบง่ายมีบทบาทที่เป็นประโยชน์ในการศึกษากลไกการทำงานของโครงข่ายประสาทจริงและคุณสมบัติการคำนวณของสถาปัตยกรรมคู่ขนาน ตัวอย่างเช่น พิจารณาแบบจำลองสามชั้นที่ประกอบด้วยองค์ประกอบคล้ายเซลล์ประสาทที่มีการเชื่อมต่อคล้ายแอกซอนกับองค์ประกอบต่างๆ ระดับถัดไป. สิ่งกระตุ้นอินพุตมาถึงเกณฑ์การเปิดใช้งานขององค์ประกอบอินพุตที่กำหนดซึ่งจะส่งสัญญาณของความแรงตามสัดส่วนไปตาม "แอกซอน" ไปยังส่วนท้าย "ซินแนปติก" จำนวนมากขององค์ประกอบของเลเยอร์ที่ซ่อนอยู่ ผลโดยรวมคือรูปแบบเฉพาะของการเปิดใช้งานสัญญาณในชุดขององค์ประกอบอินพุตจะสร้างรูปแบบสัญญาณบางอย่างบนชุดขององค์ประกอบที่ซ่อนอยู่

สามารถพูดได้เช่นเดียวกันเกี่ยวกับองค์ประกอบเอาต์พุต ในทำนองเดียวกัน การกำหนดค่าการเปิดใช้งานสัญญาณที่ส่วนย่อยของเลเยอร์ที่ซ่อนอยู่จะนำไปสู่รูปแบบการเปิดใช้งานบางอย่างที่ส่วนย่อยขององค์ประกอบเอาต์พุต เมื่อสรุปแล้ว เราสามารถพูดได้ว่าเครือข่ายที่พิจารณานั้นเป็นอุปกรณ์สำหรับแปลงเวกเตอร์อินพุตที่เป็นไปได้จำนวนมาก (การกำหนดค่าของการเปิดใช้งานสัญญาณ) ให้เป็นเวกเตอร์เอาต์พุตที่สอดคล้องกันโดยเฉพาะ อุปกรณ์นี้ออกแบบมาเพื่อคำนวณฟังก์ชันเฉพาะ ฟังก์ชันใดที่จะประเมินขึ้นอยู่กับการกำหนดค่าโดยรวมของโครงสร้างน้ำหนัก synaptic

เครือข่ายประสาทจำลองคุณสมบัติหลักของโครงสร้างจุลภาคของสมอง ในเครือข่ายสามเลเยอร์นี้ เซลล์ประสาทอินพุต (ซ้ายล่าง) ประมวลผลรูปแบบของสัญญาณการยิง (ขวาล่าง) และส่งผ่านการเชื่อมต่อที่ถ่วงน้ำหนักไปยังเลเยอร์ที่ซ่อนอยู่ องค์ประกอบเลเยอร์ที่ซ่อนอยู่จะรวมอินพุตหลายตัวเพื่อสร้างการกำหนดค่าสัญญาณใหม่ จะถูกส่งผ่านไปยังชั้นนอกซึ่งทำการเปลี่ยนแปลงต่อไป โดยทั่วไป เครือข่ายจะเปลี่ยนชุดสัญญาณอินพุตใดๆ ให้เป็นเอาต์พุตที่สอดคล้องกัน ขึ้นอยู่กับตำแหน่งและความแรงสัมพัทธ์ของการเชื่อมต่อระหว่างเซลล์ประสาท

มีขั้นตอนต่างๆ มากมายสำหรับการปรับน้ำหนัก ซึ่งจะทำให้เครือข่ายสามารถคำนวณได้เกือบทุกฟังก์ชัน (เช่น การแปลงใดๆ ระหว่างเวกเตอร์) ในความเป็นจริง มันเป็นไปได้ที่จะใช้ฟังก์ชั่นในเครือข่ายที่ไม่สามารถกำหนดได้ แค่ให้ชุดของตัวอย่างที่แสดงว่าเราต้องการเข้าและออก lares ใด กระบวนการนี้เรียกว่า "การเรียนรู้เครือข่าย" ดำเนินการโดยการเลือกน้ำหนักที่กำหนดให้กับลิงก์ตามลำดับ ซึ่งจะดำเนินต่อไปจนกว่าเครือข่ายจะเริ่มทำการแปลงตามที่ต้องการบนอินพุตเพื่อให้ได้เอาต์พุตที่ต้องการ

แม้ว่าแบบจำลองเครือข่ายนี้จะทำให้โครงสร้างของสมองง่ายขึ้นมาก แต่ก็ยังแสดงให้เห็นแง่มุมที่สำคัญหลายประการ ประการแรก สถาปัตยกรรมแบบคู่ขนานให้ข้อได้เปรียบด้านประสิทธิภาพอย่างมากเหนือคอมพิวเตอร์แบบเดิม เนื่องจากซินแนปจำนวนมากในแต่ละระดับดำเนินการคำนวณขนาดเล็กหลายรายการพร้อมกัน แทนที่จะทำงานในโหมดซีเควนเชียลที่ใช้เวลานานมาก ข้อได้เปรียบนี้มีความสำคัญมากขึ้นเรื่อยๆ เมื่อจำนวนเซลล์ประสาทในแต่ละระดับเพิ่มขึ้น น่าแปลกที่ความเร็วของการประมวลผลข้อมูลไม่ได้ขึ้นอยู่กับจำนวนองค์ประกอบที่เกี่ยวข้องในกระบวนการในแต่ละระดับ หรือขึ้นอยู่กับความซับซ้อนของฟังก์ชันที่คำนวณ แต่ละระดับสามารถมีสี่องค์ประกอบหรือหนึ่งร้อยล้าน การกำหนดค่าน้ำหนักแบบซินแนปติกสามารถคำนวณผลรวมหนึ่งหลักง่ายๆ หรือแก้สมการเชิงอนุพันธ์อันดับสองได้ ไม่เป็นไร. เวลาในการคำนวณจะเท่ากันทุกประการ

ประการที่สองลักษณะแบบขนานของระบบทำให้ไม่ไวต่อข้อผิดพลาดเล็กน้อยและให้ความเสถียรในการทำงาน การสูญเสียลิงก์บางลิงก์ แม้จะเป็นจำนวนที่สังเกตได้ มีผลเล็กน้อยต่อความคืบหน้าโดยรวมของการเปลี่ยนแปลงที่ดำเนินการโดยเครือข่ายที่เหลือ

ที่สาม,ระบบคู่ขนานจำ จำนวนมากข้อมูลในรูปแบบกระจาย ในขณะที่ให้การเข้าถึงส่วนใดส่วนหนึ่งของข้อมูลนี้ในเวลาที่วัดได้หลายมิลลิวินาที ข้อมูลถูกจัดเก็บในรูปแบบของการกำหนดค่าบางอย่างของน้ำหนักของการเชื่อมต่อแบบซินแนปติกแต่ละรายการที่เกิดขึ้นในกระบวนการเรียนรู้ก่อนหน้านี้ ข้อมูลที่ต้องการจะถูก "ปล่อย" เมื่อเวกเตอร์อินพุตผ่าน (และแปลง) การกำหนดค่าลิงค์นี้

การประมวลผลข้อมูลแบบขนานไม่เหมาะสำหรับการประมวลผลทุกประเภท เมื่อแก้ปัญหาด้วยเวกเตอร์อินพุตขนาดเล็ก แต่ต้องใช้การคำนวณซ้ำหลายล้านครั้งที่เกิดขึ้นซ้ำๆ อย่างรวดเร็ว สมองจะไร้ประโยชน์โดยสิ้นเชิง ในขณะที่เครื่อง MS แบบคลาสสิกจะแสดงให้เห็นถึงความสามารถที่ดีที่สุด นี่เป็นคลาสคอมพิวเตอร์ที่ใหญ่และสำคัญมาก ดังนั้นเครื่องคลาสสิกจึงมีความจำเป็นและจำเป็นเสมอ อย่างไรก็ตาม มีประเภทการคำนวณที่กว้างพอๆ กัน ซึ่งสถาปัตยกรรมของสมองเป็นโซลูชันทางเทคนิคที่ดีที่สุด สิ่งเหล่านี้ส่วนใหญ่เป็นการคำนวณที่สิ่งมีชีวิตมักเผชิญ: การจดจำรูปร่างของผู้ล่าในสภาพแวดล้อมที่ "มีเสียงดัง" การระลึกได้ทันทีถึงปฏิกิริยาที่ถูกต้องต่อการจ้องมองของเขา วิธีการหลบหนีเมื่อเขาเข้าใกล้หรือป้องกันเมื่อถูกโจมตี แยกแยะระหว่างสิ่งที่กินได้และกินไม่ได้ ระหว่างคู่นอนกับสัตว์อื่น การเลือกพฤติกรรมทางกายภาพที่ซับซ้อนและเปลี่ยนแปลงตลอดเวลา สภาพแวดล้อมทางสังคม; เป็นต้น

สุดท้ายนี้ สิ่งสำคัญคือต้องสังเกตว่าระบบคู่ขนานที่อธิบายไว้ไม่ได้ปรับเปลี่ยนสัญลักษณ์ตามกฎโครงสร้าง แต่การจัดการสัญลักษณ์เป็นเพียงหนึ่งในทักษะ "อัจฉริยะ" อื่น ๆ ที่เครือข่ายอาจเรียนรู้หรือไม่ก็ได้ การจัดการสัญลักษณ์ที่ขับเคลื่อนด้วยกฎไม่ใช่วิธีหลักในการทำงานของเครือข่าย การให้เหตุผลของ Searle มุ่งต่อต้านเครื่อง MC ที่อยู่ภายใต้กฎ ระบบการแปลงเวกเตอร์ประเภทที่เราอธิบายไว้จึงอยู่นอกขอบเขตของข้อโต้แย้งในห้องภาษาจีนของเขา แม้ว่ามันจะถูกต้องก็ตาม ซึ่งเรามีเหตุผลอื่นที่เป็นอิสระให้สงสัย

Searle ทราบดีถึงตัวประมวลผลแบบขนาน แต่ในความเห็นของเขา พวกมันก็จะปราศจากเนื้อหาความหมายที่แท้จริงเช่นกัน เพื่อแสดงให้เห็นถึงความด้อยกว่าที่หลีกเลี่ยงไม่ได้ในเรื่องนี้ เขาอธิบายถึงการทดลองทางความคิดครั้งที่สอง คราวนี้เป็นโรงยิมจีนที่เต็มไปด้วยผู้คนที่จัดอยู่ในเครือข่ายคู่ขนาน ย้ายต่อไปเหตุผลของเขาคล้ายกับเหตุผลในกรณีของห้องจีน

ในความเห็นของเรา ตัวอย่างที่สองนี้ไม่ประสบความสำเร็จและน่าเชื่อถือเท่าตัวอย่างแรก ประการแรก ความจริงที่ว่าไม่มีองค์ประกอบใดในระบบที่เข้าใจภาษาจีนไม่ได้มีบทบาทใด ๆ เพราะเช่นเดียวกันสำหรับ ระบบประสาทมนุษย์: ไม่มีเซลล์ประสาทในสมองของฉันเข้าใจ เป็นภาษาอังกฤษแม้ว่าสมองโดยรวมจะเข้าใจ Searle กล่าวต่อไปว่าแบบจำลองของเขา (หนึ่งคนต่อเซลล์ประสาทหนึ่งเซลล์และเด็กชายเท้าเร็วหนึ่งคนต่อการเชื่อมต่อ synaptic) จะต้องใช้คนอย่างน้อย 1,014 คน เนื่องจากสมองของมนุษย์มีเซลล์ประสาท 1,011 เซลล์ แต่ละเซลล์มีการเชื่อมต่อเฉลี่ย 103 ครั้ง ดังนั้น ระบบของเขาต้องการประชากร 10,000 โลกเช่นโลกของเรา เห็นได้ชัดว่าโรงยิมยังห่างไกลจากความสามารถในการรองรับแบบจำลองที่เพียงพอหรือเพียงพอ

ในทางกลับกัน หากยังสามารถประกอบระบบดังกล่าวได้ ในส่วนที่เกี่ยวข้อง ระดับจักรวาลด้วยการเชื่อมต่อทั้งหมดที่ถูกสร้างแบบจำลองอย่างแม่นยำ เราจะได้สมองขนาดใหญ่ เชื่องช้า ออกแบบแปลกๆ แต่ยังคงทำงานอยู่ ในกรณีนี้ แน่นอน เป็นเรื่องปกติที่จะคาดหวังว่าด้วยข้อมูลที่ถูกต้อง เขาจะคิด ไม่ใช่ในทางกลับกัน ว่าเขาไม่สามารถทำเช่นนั้นได้ ไม่สามารถรับประกันได้ว่าการทำงานของระบบดังกล่าวจะแสดงถึงความคิดที่แท้จริง เนื่องจากทฤษฎีของเวกเตอร์การประมวลผลอาจไม่สะท้อนถึงการทำงานของสมองอย่างเพียงพอ แต่ในทางเดียวกัน เราไม่มีอะไรรับประกันได้ว่าเธอจะไม่คิด Searle ระบุขีดจำกัดปัจจุบันของจินตนาการของเขาเอง (หรือของผู้อ่าน) อย่างผิดพลาดอีกครั้งกับขีดจำกัดของความเป็นจริงเชิงภววิสัย

สมอง

สมองเป็นคอมพิวเตอร์ประเภทหนึ่ง แม้ว่าคุณสมบัติส่วนใหญ่ยังไม่ทราบ การจำแนกลักษณะของสมองว่าเป็นคอมพิวเตอร์นั้นไม่ใช่เรื่องง่าย และความพยายามดังกล่าวไม่ควรทำเบาเกินไป สมองทำหน้าที่คำนวณ แต่ไม่ใช่ในลักษณะเดียวกับงานประยุกต์ที่แก้ไขโดยปัญญาประดิษฐ์แบบดั้งเดิม เมื่อเราพูดถึงเครื่องจักรในฐานะคอมพิวเตอร์ เราไม่ได้หมายถึงคอมพิวเตอร์ดิจิทัลตามลำดับที่ต้องตั้งโปรแกรมและมีการแบ่งแยกระหว่างซอฟต์แวร์และฮาร์ดแวร์อย่างชัดเจน และเราไม่ได้หมายความว่าคอมพิวเตอร์เครื่องนี้ใช้สัญลักษณ์หรือทำตามกฎบางอย่าง สมองเป็นคอมพิวเตอร์ประเภทที่แตกต่างกันโดยพื้นฐาน

วิธีการที่สมองจับเนื้อหาความหมายของข้อมูลยังไม่เป็นที่ทราบแน่ชัด แต่เป็นที่ชัดเจนว่าปัญหานี้ไปไกลกว่าภาษาศาสตร์และไม่ได้จำกัดเฉพาะมนุษย์ในฐานะสปีชีส์หนึ่งเท่านั้น แผ่นดินสดผืนเล็ก ๆ หมายถึงทั้งมนุษย์และหมาป่าว่ามีโกเฟอร์อยู่ที่ไหนสักแห่งในบริเวณใกล้เคียง สะท้อนที่มีลักษณะทางสเปกตรัมบางอย่างหมายถึง ค้างคาวการปรากฏตัวของมอด เพื่อพัฒนาทฤษฎีการสร้างความหมาย เราจำเป็นต้องรู้เพิ่มเติมเกี่ยวกับวิธีที่เซลล์ประสาทเข้ารหัสและแปลงสัญญาณทางประสาทสัมผัส พื้นฐานทางประสาทของความจำ การเรียนรู้ และอารมณ์ และความสัมพันธ์ระหว่างปัจจัยเหล่านี้กับระบบมอเตอร์ ทฤษฎีการทำความเข้าใจความหมายตามหลักประสาทวิทยาอาจต้องใช้สัญชาตญาณของเราด้วยซ้ำ ซึ่งตอนนี้ดูเหมือนไม่สั่นคลอนสำหรับเราและ Searle ใช้อย่างอิสระในการให้เหตุผลของเขา การแก้ไขดังกล่าวไม่ใช่เรื่องแปลกในประวัติศาสตร์ของวิทยาศาสตร์

วิทยาศาสตร์สามารถสร้างปัญญาประดิษฐ์โดยใช้สิ่งที่รู้เกี่ยวกับระบบประสาทได้หรือไม่? เราไม่เห็นอุปสรรคพื้นฐานบนเส้นทางนี้ เซียร์ลถูกกล่าวหาว่าเห็นด้วย แต่มีข้อแม้: "ระบบอื่นใดที่สามารถสร้างหน่วยสืบราชการลับได้จะต้องมีคุณสมบัติเชิงสาเหตุ (อย่างน้อย) เทียบเท่ากับคุณสมบัติที่สอดคล้องกันของสมอง" ในตอนท้ายของบทความเราจะพิจารณาข้อความนี้ เราเชื่อว่า Searle ไม่ได้บอกว่าระบบปัญญาประดิษฐ์ที่ประสบความสำเร็จจะต้องมีคุณสมบัติเชิงสาเหตุทั้งหมดของสมอง เช่น ความสามารถในการดมกลิ่นเน่าเปื่อย ความสามารถในการเป็นพาหะของไวรัส ความสามารถในการย้อมสี สีเหลืองภายใต้อิทธิพลของเปอร์ออกซิเดสพืชชนิดหนึ่ง ฯลฯ ความต้องการการปฏิบัติตามอย่างเต็มที่จะเหมือนกับความต้องการความสามารถในการบรรทุกไข่จากเครื่องบินเทียม

เขาคงหมายความเพียงข้อกำหนดว่า ปัญญาประดิษฐ์มีคุณสมบัติเชิงเหตุทั้งหมด ซึ่งตามที่เขากล่าวไว้ เป็นของจิตสำนึก อย่างไรก็ตามอันไหนกันแน่? และที่นี่เรากลับมาโต้เถียงกันอีกครั้งว่าอะไรเป็นของจิตสำนึกและอะไรไม่ใช่ นี่เป็นเพียงสถานที่ที่จะโต้เถียง แต่ความจริงในกรณีนี้ควรได้รับการค้นพบในเชิงประจักษ์ - ลองดูว่าจะเกิดอะไรขึ้น เนื่องจากเรารู้น้อยมากว่ากระบวนการคิดและความหมายคืออะไร ความแน่นอนใดๆ เกี่ยวกับคุณสมบัติที่เกี่ยวข้องในที่นี้จึงจะเกิดขึ้นก่อนเวลาอันควร Searle บอกใบ้หลายครั้งว่าทุกระดับ รวมถึงชีวเคมี จะต้องแสดงอยู่ในเครื่องใดๆ ที่อ้างว่าเป็นปัญญาประดิษฐ์ เห็นได้ชัดว่านี่เป็นข้อกำหนดที่แข็งแกร่งเกินไป สมองเทียมสามารถบรรลุผลเช่นเดียวกันโดยไม่ต้องใช้กลไกทางชีวเคมี

ความเป็นไปได้นี้แสดงให้เห็นในการศึกษาของ K. Mead ที่แคลิฟอร์เนีย สถาบันเทคโนโลยี. Mead และเพื่อนร่วมงานใช้อุปกรณ์อะนาล็อกไมโครอิเล็กทรอนิกส์เพื่อสร้างเรตินาเทียมและโคเคลียเทียม (ในสัตว์ เรตินาและคอเคลียไม่ได้เป็นเพียงตัวแปลงสัญญาณ: มีการประมวลผลแบบคู่ขนานที่ซับซ้อนในทั้งสองระบบ) อุปกรณ์เหล่านี้ไม่ใช่แบบจำลองง่ายๆ ในคอมพิวเตอร์ขนาดเล็กที่ Searle หัวเราะเยาะอีกต่อไป เป็นองค์ประกอบที่แท้จริงของการประมวลผลข้อมูลที่ตอบสนอง เวลาจริงสำหรับสัญญาณที่แท้จริง: แสง - ในกรณีของเรตินาและเสียง - ในกรณีของโคเคลีย การออกแบบอุปกรณ์ขึ้นอยู่กับคุณสมบัติทางกายวิภาคและสรีรวิทยาที่รู้จักของเรตินาแมวและคอเคลียของนกเค้าแมว และผลลัพธ์ของมันใกล้เคียงกับผลลัพธ์ที่รู้จักของอวัยวะที่พวกเขาจำลองอย่างมาก

ไมโครเซอร์กิตเหล่านี้ไม่ใช้สารสื่อประสาทใดๆ ดังนั้น สารสื่อประสาทจึงไม่จำเป็นต่อการบรรลุ ผลลัพธ์ที่ต้องการ. แน่นอนว่าเราไม่สามารถพูดได้ว่าเรตินาเทียมมองเห็นอะไรบางอย่างได้ เนื่องจากผลลัพธ์ของมันไม่ได้ไปที่ฐานดอกเทียมหรือเปลือกสมอง ฯลฯ ไม่ว่าจะเป็นไปได้ที่จะสร้างสมองเทียมทั้งหมดโดยใช้โปรแกรม Mead ยังไม่ทราบ แต่ที่ ในปัจจุบัน เราไม่มีหลักฐานว่าการไม่มีกลไกทางชีวเคมีในระบบทำให้วิธีการนี้ไม่สมจริง

ระบบประสาทขยายขอบเขตการจัดระเบียบที่แตกต่างกัน ตั้งแต่โมเลกุลของสารสื่อประสาท (ด้านล่าง) ไปจนถึงสมองทั้งหมดและ ไขสันหลัง. ระดับกลางประกอบด้วยเซลล์ประสาทและวงจรประสาทส่วนบุคคล เช่น วงจรที่ใช้การเลือกรับรู้ของสิ่งเร้าที่มองเห็น (ตรงกลาง) และระบบที่ประกอบด้วยวงจรจำนวนมาก คล้ายกับวงจรที่ทำหน้าที่ในการพูด (บนขวา) จากการวิจัยเท่านั้นที่สามารถระบุได้ว่าระบบเทียมสามารถสืบพันธุ์ได้อย่างใกล้ชิดเพียงใด ระบบชีวภาพมีความเฉลียวฉลาด

เช่นเดียวกับ Searle เราปฏิเสธการทดสอบของทัวริงว่าเป็นเกณฑ์ที่เพียงพอสำหรับการมีอยู่ของจิตสำนึก ในระดับหนึ่ง เรามีเหตุผลที่คล้ายกันในการทำเช่นนี้: เราเห็นด้วยว่าการนำฟังก์ชันที่กำหนดโดยอินพุต-เอาต์พุตมาใช้เป็นสิ่งสำคัญมาก มันเป็นสิ่งสำคัญที่อยู่ในรถ กระบวนการที่ถูกต้อง. ในอีกระดับหนึ่ง เราได้รับคำแนะนำจากการพิจารณาที่แตกต่างไปจากเดิมอย่างสิ้นเชิง Searle วางจุดยืนของเขาจากการมีหรือไม่มีเนื้อหาความหมายตามสัญชาตญาณของสามัญสำนึก มุมมองของเราขึ้นอยู่กับความล้มเหลวเฉพาะของเครื่อง MS แบบคลาสสิกและข้อดีเฉพาะของเครื่องที่มีสถาปัตยกรรมใกล้เคียงกับโครงสร้างของสมอง การเปรียบเทียบสิ่งเหล่านี้ หลากหลายชนิดเครื่องจักรแสดงให้เห็นว่ากลยุทธ์การคำนวณบางอย่างมีข้อได้เปรียบอย่างมากและเด็ดขาดเหนือกลยุทธ์อื่นๆ ในแง่ของ งานทั่วไปกิจกรรมทางจิต ข้อได้เปรียบเหล่านี้ซึ่งสร้างขึ้นโดยการทดลองไม่ก่อให้เกิดข้อสงสัยใดๆ เห็นได้ชัดว่าสมองใช้ประโยชน์จากข้อได้เปรียบด้านการคำนวณเหล่านี้อย่างเป็นระบบ อย่างไรก็ตาม ไม่จำเป็นต้องเป็นอย่างเดียว ระบบทางกายภาพสามารถใช้งานได้ แนวคิดในการสร้างปัญญาประดิษฐ์ในเครื่องที่ไม่ใช่ชีวภาพ แต่โดยพื้นฐานแล้วเป็นเครื่องคู่ขนานยังคงดึงดูดใจและค่อนข้างมีแนวโน้ม

ปัญญาประดิษฐ์เป็นสาขาวิทยาศาสตร์ที่ออกแบบเครื่องจักร คอมพิวเตอร์ และฮาร์ดแวร์ด้วยความฉลาดตั้งแต่แบบง่ายที่สุดไปจนถึงแบบคล้ายมนุษย์ แม้ว่าแนวคิดของเครื่องจักรอัจฉริยะจะถือกำเนิดขึ้นใน ตำนานกรีกโบราณ, ประวัติศาสตร์สมัยใหม่ปัญญาประดิษฐ์เริ่มต้นด้วยการพัฒนาคอมพิวเตอร์ คำนี้ถูกบัญญัติขึ้นในปี 1956 ในการประชุมปัญญาประดิษฐ์ครั้งแรก

หลายทศวรรษต่อมา นักวิทยาศาสตร์ยังคงสำรวจความเฉลียวฉลาดของเครื่องจักรที่ยังคงเข้าใจยาก แม้ว่าคำถาม "เครื่องจักรจะคิดได้หรือไม่" ยังคงก่อให้เกิดการถกเถียงในวงกว้าง

เป็นที่น่าสังเกตว่า ตรงกันข้ามกับความเชื่อที่เป็นที่นิยม ไม่ใช่ผู้ให้บริการปัญญาประดิษฐ์ทั้งหมดจะเป็นหุ่นยนต์คล้ายมนุษย์หรือระบบปฏิบัติการที่น่าอัศจรรย์ด้วยเสียงของ Scarlett Johansson มาดูทักษะพื้นฐานที่มีอยู่ใน AI กัน

การแก้ปัญหา

หนึ่งในคุณสมบัติพื้นฐานของ AI คือความสามารถในการแก้ปัญหา เพื่อให้เครื่องมีความสามารถนี้ นักวิทยาศาสตร์ได้ติดตั้งอัลกอริทึมที่เลียนแบบ ความคิดของมนุษย์และใช้แนวคิดของความน่าจะเป็น เศรษฐศาสตร์ และสถิติ

วิธีการรวมถึงรูปแบบที่ได้รับแรงบันดาลใจจาก เครือข่ายประสาทสมอง พลังของการเรียนรู้ของเครื่องและการจดจำรูปแบบ และวิธีการทางสถิติที่ใช้เครื่องมือทางคณิตศาสตร์และภาษาในการแก้ปัญหา

การเรียนรู้ของเครื่อง

จุดพื้นฐานอีกประการหนึ่งของ AI คือความสามารถของเครื่องในการเรียนรู้ จนถึงขณะนี้ ยังไม่มีวิธีเดียวที่สามารถตั้งโปรแกรมคอมพิวเตอร์เพื่อรับข้อมูล รับความรู้ และปรับแต่งพฤติกรรมตามนั้น - แต่มีหลายวิธีที่ใช้อัลกอริทึม

หนึ่งในวิธีการที่สำคัญของการเรียนรู้ของเครื่องคือการเรียนรู้เชิงลึก ซึ่งเป็นวิธีการของ AI ที่ใช้ทฤษฎีประสาทและประกอบด้วยชั้นที่ซับซ้อนของโหนดที่เชื่อมต่อถึงกัน ในขณะที่ Siri ของ Apple เป็นตัวอย่างหนึ่งของการเรียนรู้เชิงลึกในเชิงปฏิบัติ Google เพิ่งเข้าซื้อ DeepMind ซึ่งเป็นการเริ่มต้นที่เชี่ยวชาญในอัลกอริทึมการเรียนรู้ AI ขั้นสูง Netflix ยังลงทุนในการเรียนรู้เชิงลึก

การประมวลผลภาษา

การประมวลผลภาษาธรรมชาติ (NLP) ทำให้เครื่องสามารถอ่านและเข้าใจภาษามนุษย์ ทำให้สามารถสื่อสารระหว่างมนุษย์กับเครื่องจักรได้

ระบบดังกล่าวอนุญาตให้คอมพิวเตอร์แปลและ ความสามารถในการสื่อสารผ่านการประมวลผลสัญญาณ การแยกวิเคราะห์การวิเคราะห์ความหมายและการปฏิบัติ (ภาษาในบริบท)

การเคลื่อนไหวและการรับรู้

ประเภทของหน่วยสืบราชการลับที่เกี่ยวข้องกับการเคลื่อนไหวและการรับรู้นั้นเกี่ยวข้องอย่างใกล้ชิดกับวิทยาการหุ่นยนต์ ซึ่งไม่เพียงทำให้เครื่องจักรมีการรับรู้เท่านั้น แต่ยังรวมถึงความฉลาดทางประสาทสัมผัสด้วย สิ่งนี้เกิดขึ้นได้ด้วยอินพุตการนำทาง เทคโนโลยีโลคัลไลเซชัน และเซ็นเซอร์ เช่น กล้อง ไมโครโฟน โซนาร์ และการจดจำวัตถุ ด้านหลัง ปีที่แล้วเราได้เห็นเทคโนโลยีนี้ในหุ่นยนต์ ยานสำรวจมหาสมุทร และอวกาศมากมาย

ความฉลาดทางสังคม

ทักษะทางอารมณ์และสังคมเป็นอีกหนึ่งระดับขั้นสูงของปัญญาประดิษฐ์ที่ช่วยให้เครื่องจักรสามารถทำงานได้มากขึ้น คุณสมบัติของมนุษย์. ตัวอย่างเช่น SEMAINE มีจุดมุ่งหมายเพื่อให้เครื่องจักรมีทักษะทางสังคมผ่านสิ่งที่เรียกว่า SAL หรือ "ผู้ฟังประสาทสัมผัสเทียม" นี่คือระบบการสนทนาขั้นสูง หากสร้างเสร็จ จะสามารถรับรู้สีหน้า ท่าทาง และน้ำเสียงของบุคคลได้

การสร้าง

ความสามารถในการคิดและทำอย่างสร้างสรรค์เป็นสิ่งที่โดดเด่น ลักษณะของมนุษย์ซึ่งหลายคนมองว่าเกินความสามารถของคอมพิวเตอร์ อย่างไรก็ตาม ในแง่ของปัญญามนุษย์ ความคิดสร้างสรรค์ก็สามารถนำมาใช้กับปัญญาประดิษฐ์ได้เช่นกัน

ว่ากันว่าเครื่องจักรสามารถได้รับโอกาสในการผลิตความคิดที่มีคุณค่าและสร้างสรรค์ผ่านสามรูปแบบ: การรวมกัน การสำรวจ และการเปลี่ยนแปลง สิ่งนี้จะถูกนำไปใช้อย่างไร - เราจะเห็นในอนาคต ท้ายที่สุดแล้ว เครื่อง AARON ก็ผลิตงานศิลปะระดับพิพิธภัณฑ์อยู่แล้ว

ด้นสดเป็นแบบ กิจกรรมของมนุษย์เป็น “ต้นแบบของพฤติกรรมสร้างสรรค์” พนักงานของภาควิชาจิตวิทยากล่าว มหาวิทยาลัยฮาร์วาร์ดเชลลีย์ คาร์สัน. ในหนังสือ Your Creative Brain เธอเขียนว่าในระดับพื้นฐาน เราแต่ละคนด้นสด เนื่องจากมีหลายสถานการณ์ในชีวิตที่ต้องใช้มัน ตัวอย่างเช่น บนท้องถนน คุณต้องทำการตัดสินใจที่ถูกต้องในทันทีเพื่อหลีกเลี่ยงการชน ในกรณีนี้บุคคลอ้างถึงประสบการณ์ของเขา แต่การแสดงด้นสดอย่างสร้างสรรค์นั้นเป็นอะไรที่มากกว่านั้น มันสร้างแนวคิดใหม่ที่คาดไม่ถึง

ภาพวาดของแอรอน

หุ่นยนต์ แอรอนสร้างสรรค์โดยศิลปินชื่อดัง Gorald Cohen สิ่งประดิษฐ์ของเขาที่ระดับต่ำสุดคือการคำนวณอัลกอริธึมสำหรับการสร้างเส้นและรูปร่างจากการวาด ต่อมาศิลปินหุ่นยนต์ขั้นสูงชื่อ แอคชั่นแจ็คสันผู้วาดภาพที่คล้ายกับผลงานของแจ็คสัน พอลลอค และแม้ว่าการถกเถียงเกี่ยวกับคุณค่าทางศิลปะของผลงานดังกล่าวจะยังไม่ยุติลงจนถึงตอนนี้ แต่ความจริงก็ยังคงมีอยู่ว่าหุ่นยนต์สามารถสร้างได้

นอกจากนี้บาง แบบฟอร์มที่ทันสมัยดูเหมือนว่าปัญญาประดิษฐ์จะประสบความสำเร็จอย่างมาก ตัวอย่างเช่น Siri สำหรับ iPhone ไม่เพียงแต่ประมวลผลคำพูดของมนุษย์ตามธรรมชาติเท่านั้น แต่ยังปรับให้เข้ากับผู้ใช้แต่ละคนเป็นรายบุคคล โดยศึกษาลักษณะและนิสัยของผู้ใช้ และซูเปอร์คอมพิวเตอร์ "วัตสัน" ของไอบีเอ็มได้รับรางวัลหนึ่งล้านดอลลาร์จาก "เกมของเขา" เครื่องจักรที่สมบูรณ์แบบเช่นนี้จะไม่สามารถจัดการการแสดงสดได้หรือไม่?