Để cải thiện cuộc sống của con người, ngay từ đầu trí tuệ nhân tạo phải lấy con người làm trung tâm. Như nhà khoa học trưởng giải thích Google Cloud Fei-Fei Li, trên thực tế, điều này có nghĩa là cải thiện kỹ năng giao tiếp và cộng tác bên cạnh việc đa dạng hóa các nhóm phát triển các công nghệ này.

Trí tuệ nhân tạo ngày nay

Một trong những công ty phát triển trí tuệ nhân tạo (AI) lớn nhất là Google, một công ty được nhiều người liên kết với công cụ tìm kiếm phổ biến. Trong những năm qua, các chuyên gia của hãng đã phát triển AI, có thể thấy điều này trong một số sản phẩm hiện tại. Ví dụ, Google Assistant, được phát hành cho điện thoại thông minh Android vào tháng 2; Ngoài ra, AI cũng giúp công cụ tìm kiếm nói trên thực hiện công việc của nó; cuối cùng là loa thông minh Google Home được trang bị hệ thống AI. Hiện tại, AI trông giống như một học sinh lớp một, nhưng về lâu dài, nó có thể đạt đến mức trở nên thông minh hơn những người bình thường tương tác với nó.

Tuy nhiên, để đạt được mục tiêu này, bản thân AI trước tiên sẽ phải trở nên giống con người hơn. Ít nhất đó là những gì Fei-Fei Li, nhà khoa học chính tại Google Cloud và giám đốc Phòng thí nghiệm Tầm nhìn và Trí tuệ Nhân tạo Stanford, nghĩ. Theo ý kiến ​​của cô ấy, bằng cách này AI sẽ giúp chúng ta cải thiện cuộc sống hàng ngày và mang lại sự thoải mái về tâm lý khi giao tiếp với nó.

Trong một cuộc phỏng vấn với MIT Technology Review, Li giải thích rằng suy nghĩ về tác động của AI đối với thế giới xung quanh chúng ta là một phần quan trọng của quá trình phân tích và việc làm việc với trí tuệ nhân tạo đã cho thấy rõ ràng rằng những phát triển trong tương lai cần phải lấy con người làm trung tâm hơn. .

Phát triển trí thông minh máy móc

“Nếu chúng ta đánh giá công nghệ AI đã đạt đến cấp độ nào ở thời điểm hiện tại, thì theo tôi, điểm đánh dấu nổi bật nhất sẽ là khả năng nhận dạng mẫu xuất sắc. AI hiện đại quá tập trung vào, nó thiếu khả năng nhận thức theo ngữ cảnh và khả năng học hỏi linh hoạt vốn có ở con người. Chúng tôi cũng muốn tạo ra công nghệ giúp cuộc sống của con người tốt hơn, an toàn hơn, năng suất hơn và làm việc tốt hơn - và điều đó đòi hỏi mức độ tương tác giữa người và máy rất cao, ”Lee nói.

Chúng ta đã có thể thấy những dấu hiệu đầu tiên của một xu hướng như vậy, mặc dù tiềm năng của nó vẫn chưa được tiết lộ. Ví dụ: vào tháng 7, Google DeepMind đã chứng minh AI có "trí tưởng tượng" và có thể phân tích thông tin và lập kế hoạch hành động mà không cần sự can thiệp của con người. Công ty cho biết đứa con tinh thần của họ đang "trên đà" có thể bắt chước giọng nói của con người một cách hoàn hảo. Một công nghệ khác của Google, Google Clips, có thể tự chụp ảnh, loại bỏ việc một người phải đoán “khoảnh khắc hoàn hảo” để chụp ảnh. Điều này rất phù hợp với tầm nhìn của Lee, nhưng cũng cho thấy sự cần thiết phải nỗ lực hơn nữa để hướng tới sự tự lực của AI.

AI là con người lý tưởng của tương lai

Như Lee đảm bảo, việc nâng cấp trí tuệ nhân tạo đơn giản và thêm các tính năng mới vào nó sẽ là không đủ. Mối liên hệ giữa máy móc và con người càng mạnh thì nguy cơ các bộ phận vô đạo đức trong xã hội có thể ảnh hưởng đến trí tuệ nhân tạo càng cao, và do đó, trước hết, ở đây cần có một cách tiếp cận sáng tạo và sự làm việc tập thể của nhiều chuyên gia.

“Khi bạn tạo ra một công nghệ được phân phối rộng rãi và đóng một vai trò quan trọng đối với nhân loại, thì tất nhiên, bạn cần đảm bảo rằng nó mang những giá trị vốn có của tất cả mọi người và phục vụ nhu cầu của toàn bộ dân số trên Trái đất. . Nếu các nhà phát triển nỗ lực hết sức để đảm bảo rằng chương trình hữu ích như nhau cho tất cả mọi người, không có ngoại lệ, điều này thực sự sẽ cho phép một cuộc cách mạng trong hệ thống trí tuệ nhân tạo.

Tất nhiên, trí tuệ nhân tạo là tấm vé đi tới tương lai của chúng ta. Nhưng, chỉ là một công cụ trong tay của một người, nó có thể được sử dụng cho cả mục đích tốt và ích kỷ, đôi khi thậm chí là bất hợp pháp. Nếu công nghệ này được định đoạt để thay đổi thế giới, thì chúng ta hãy hy vọng rằng các nhà khoa học sẽ đưa ra lựa chọn đúng đắn.

Thuật toán Trí tuệ nhân tạo máy tính hiểu ngôn ngữ tự nhiên, tức là hệ thống câu hỏi-trả lời và truy cập vào cơ sở dữ liệu ngôn ngữ tự nhiên, dịch từ ngôn ngữ này sang ngôn ngữ khác, nhận dạng mẫu, phân tích hình ảnh của cảnh 3 chiều, hệ thống biểu diễn tri thức logic và suy luận logic, lập trình heuristic , chứng minh định lý, ra quyết định, trò chơi, cơ sở dữ liệu, cơ sở kiến ​​thức, rô bốt, hệ thống chuyên gia

Định nghĩa sơ bộ về tư duy Bộ não hình thành và phát triển để đảm bảo sự tồn tại của động vật, tức là để tồn tại. Có thể có một định nghĩa chức năng đơn giản về tư duy, dựa trên ý tưởng về tư duy dùng để làm gì (con người hoặc động vật). Suy nghĩ là một quá trình hoạt động trong não sống nhằm mục đích: 1. xây dựng trong não một mô hình phân cấp tích cực của môi trường, cần và đủ để nhận thức về môi trường và kiểm soát hành vi tích cực có mục đích trong một môi trường đa cực; 2. thực hiện quá trình nhận thức về môi trường; 3. thực hiện quá trình kiểm soát hành vi trong một môi trường đa cực; 4. thực hiện quá trình học tập; 5. giải pháp của các vấn đề phi thuật toán (sáng tạo).

Người đàn ông thậm chí không nghi ngờ sự vắng mặt của bộ não, và điều này không ngăn cản anh ta có một cuộc sống trí tuệ toàn diện. Một người đàn ông 44 tuổi, người đứng đầu chính quyền thành phố. Hệ số thông minh chung - IQ - là 75, bằng lời nói - 84, không bằng lời - 70. Đây thực sự là những giá trị không quá lớn, nhưng nhìn chung chúng nằm trên giới hạn dưới của tiêu chuẩn, theo quy luật, trùng khớp với giá trị của 70.

Có một con rồng trong mỗi chúng ta. Về mặt tổ chức, não người, giống như tất cả các động vật bậc cao, có thể được chia thành ba cấu trúc chức năng có điều kiện: não của loài bò sát, não thân (bao gồm cả tủy sống) và tân vỏ não. Hành vi, bao gồm cả hành vi trí tuệ, được xác định bởi công việc toàn vẹn, thống nhất của tất cả các cấu trúc này. Mọi thứ mà chúng ta thừa hưởng từ loài bò sát cũng giống như con người để thỏa mãn những nhu cầu tinh thần cao hơn. Nhiều lời dạy mang tính "tâm linh" cao thực chất là một dạng hành vi của loài bò sát. Theo cách nói ẩn dụ của E. Schwartz, giết "Rồng" là không thể. Với "Dragon", bạn chỉ có thể đồng ý.

Trí tuệ nhân tạo cổ điển khó có thể được hiện thân trong các cỗ máy tư duy; Rõ ràng, giới hạn về sự khéo léo của con người trong lĩnh vực này sẽ chỉ giới hạn trong việc tạo ra các hệ thống bắt chước hoạt động của bộ não.

Khoa học về trí tuệ nhân tạo (AI) đang trải qua một cuộc cách mạng. Để giải thích nguyên nhân và ý nghĩa của nó và đưa nó vào quan điểm, trước hết chúng ta phải lật lại lịch sử.

Vào đầu những năm 1950, câu hỏi truyền thống, hơi mơ hồ về việc liệu một cỗ máy có thể suy nghĩ đã nhường chỗ cho câu hỏi dễ tiếp cận hơn về việc liệu một cỗ máy vận hành các ký hiệu vật lý theo các quy tắc dựa trên cấu trúc có thể suy nghĩ hay không. Câu hỏi này được hình thành chính xác hơn bởi vì logic hình thức và lý thuyết tính toán đã đạt được những tiến bộ đáng kể trong nửa thế kỷ trước. Các nhà lý thuyết bắt đầu đánh giá cao khả năng của các hệ thống ký hiệu trừu tượng trải qua các phép biến đổi phù hợp với các quy luật nhất định. Có vẻ như nếu các hệ thống này có thể được tự động hóa, thì sức mạnh tính toán trừu tượng của chúng sẽ tự thể hiện trong một hệ thống vật lý thực sự. Những quan điểm như vậy đã góp phần vào sự ra đời của một chương trình nghiên cứu được xác định rõ ràng trên cơ sở lý luận khá sâu sắc.

Một cỗ máy có thể suy nghĩ?

Có rất nhiều lý do để trả lời có. Về mặt lịch sử, một trong những nguyên nhân đầu tiên và sâu xa nhất là hai kết quả quan trọng của lý thuyết tính toán. Kết quả đầu tiên là luận điểm của Church rằng mọi hàm có thể tính toán hiệu quả đều có thể tính toán đệ quy. Thuật ngữ "có thể tính toán hiệu quả" có nghĩa là có một số loại thủ tục "cơ học" để có thể tính toán kết quả trong một thời gian hữu hạn cho dữ liệu đầu vào. "Có thể tính toán đệ quy" có nghĩa là có một tập hợp hữu hạn các phép toán có thể được áp dụng cho một đầu vào nhất định, sau đó áp dụng tuần tự và lặp lại cho các kết quả mới thu được để tính toán hàm trong một thời gian hữu hạn. Khái niệm về một thủ tục máy móc không chính thức, mà là trực quan, và do đó luận điểm của Church không có bằng chứng chính thức. Tuy nhiên, nó đi vào trọng tâm của tính toán là gì, và rất nhiều bằng chứng khác nhau hội tụ để hỗ trợ nó.

Kết quả quan trọng thứ hai do Alan M. Turing thu được, người đã chỉ ra rằng bất kỳ hàm tính toán đệ quy nào đều có thể được tính toán trong thời gian hữu hạn bằng cách sử dụng một máy thao tác ký hiệu được đơn giản hóa tối đa, sau này được gọi là máy Turing đa năng. Máy này được điều chỉnh bởi các quy tắc áp dụng đệ quy nhạy cảm với danh tính, thứ tự và vị trí của các ký hiệu cơ bản đóng vai trò là đầu vào.

Một hệ quả rất quan trọng sau hai kết quả này, đó là một máy tính kỹ thuật số tiêu chuẩn, được cung cấp chương trình chính xác, bộ nhớ đủ lớn và đủ thời gian, có thể tính toán bất kỳ hàm theo quy tắc nào với đầu vào và đầu ra. Nói cách khác, anh ta có thể chứng minh bất kỳ bộ phản ứng có hệ thống nào đối với những ảnh hưởng tùy ý từ môi trường bên ngoài.

Chúng ta hãy cụ thể hóa điều này như sau: các kết quả thảo luận ở trên có nghĩa là một máy được lập trình thích hợp để thao tác các ký hiệu (sau đây gọi là máy MC) phải thỏa mãn phép thử Turing về sự hiện diện của một tâm trí có ý thức. Bài kiểm tra Turing hoàn toàn là một bài kiểm tra hành vi, nhưng các yêu cầu của nó rất mạnh. (Thử nghiệm này hợp lệ như thế nào, chúng ta sẽ thảo luận bên dưới, nơi chúng ta gặp "thử nghiệm" thứ hai, về cơ bản khác nhau về sự hiện diện của một tâm trí có ý thức.) Theo phiên bản gốc của thử nghiệm Turing, đầu vào cho máy MS phải là các câu hỏi và cụm từ bằng ngôn ngữ thông tục tự nhiên mà chúng ta gõ trên bàn phím của thiết bị đầu vào và đầu ra là câu trả lời của máy MS được thiết bị đầu ra in ra. Một cỗ máy được coi là đã vượt qua bài kiểm tra này về sự hiện diện của một bộ óc tỉnh táo nếu các phản ứng của nó không thể phân biệt được với những phản ứng của một người thực sự, thông minh. Tất nhiên, hiện tại không ai biết chức năng mà bằng cách đó có thể có được một kết quả không khác với hành vi của một người có lý trí. Nhưng kết quả của Church và Turing đảm bảo cho chúng ta rằng bất kể chức năng này (có lẽ là hiệu quả), một máy MS được thiết kế thích hợp có thể tính toán nó.

Đây là một kết luận rất quan trọng, đặc biệt khi xem xét mô tả của Turing về sự tương tác với máy bằng máy đánh chữ là một hạn chế không đáng kể. Kết luận tương tự cũng đúng ngay cả khi máy MC tương tác với thế giới theo những cách phức tạp hơn: thông qua bộ máy nhìn trực tiếp, lời nói tự nhiên, v.v. Cuối cùng, hàm đệ quy phức tạp hơn vẫn có thể tính toán được. Chỉ còn một vấn đề duy nhất: tìm ra một chức năng chắc chắn là phức tạp điều khiển phản ứng của một người trước những ảnh hưởng từ môi trường bên ngoài, và sau đó viết một chương trình (một tập hợp các quy tắc áp dụng đệ quy) mà máy MS sẽ tính toán chức năng này. Những mục tiêu này đã hình thành nền tảng của chương trình khoa học về trí tuệ nhân tạo cổ điển.

Kết quả đầu tiên rất đáng khích lệ

Những cỗ máy MC với những chương trình được lập trình tài tình đã trình diễn một loạt các hành động dường như thuộc về các biểu hiện của tâm trí. Họ phản ứng với các lệnh phức tạp, giải các bài toán khó về số học, đại số và chiến thuật, chơi cờ caro và cờ vua, chứng minh các định lý và duy trì các cuộc đối thoại đơn giản. Kết quả tiếp tục được cải thiện với sự ra đời của các thiết bị lưu trữ lớn hơn, máy móc nhanh hơn và sự phát triển của các chương trình mạnh mẽ và phức tạp hơn. AI cổ điển hay "được lập trình" đã là một lĩnh vực khoa học rất sôi động và thành công theo hầu hết mọi quan điểm. Sự phủ nhận lặp đi lặp lại mà các máy MC cuối cùng có thể nghĩ dường như là thành kiến ​​và không được thông tin. Bằng chứng ủng hộ một câu trả lời tích cực cho câu hỏi được đặt ra trong tiêu đề của bài báo có vẻ thuyết phục hơn nhiều.

Tất nhiên, có một số mơ hồ. Trước hết, máy MS trông không giống não người cho lắm. Tuy nhiên, ở đây, AI cổ điển đã sẵn sàng một câu trả lời thuyết phục. Đầu tiên, vật liệu vật lý mà máy MS được tạo ra về cơ bản không liên quan gì đến chức năng mà nó tính toán. Sau này được bao gồm trong chương trình. Thứ hai, các chi tiết kỹ thuật của kiến ​​trúc chức năng của máy cũng không liên quan, vì các kiến ​​trúc hoàn toàn khác nhau, được thiết kế để hoạt động với các chương trình hoàn toàn khác nhau, tuy nhiên có thể thực hiện cùng một chức năng đầu vào - đầu ra.

Do đó, mục tiêu của AI là tìm ra một hàm đặc trưng của tâm trí về đầu vào và đầu ra, và cũng để tạo ra hiệu quả nhất trong số nhiều chương trình có thể để tính toán hàm này. Đồng thời, người ta nói rằng cách thức cụ thể mà chức năng được tính toán bởi bộ não con người không quan trọng. Điều này hoàn thành mô tả về bản chất của AI cổ điển và cơ sở cho câu trả lời tích cực cho câu hỏi được đặt ra trong tiêu đề của bài báo.

Một cỗ máy có thể suy nghĩ? Cũng có một số lập luận ủng hộ một câu trả lời phủ định. Trong suốt những năm 1960, các lập luận tiêu cực đáng chú ý là tương đối hiếm. Đôi khi, ý kiến ​​phản đối đã được đưa ra rằng suy nghĩ không phải là một quá trình vật chất và nó diễn ra trong một linh hồn phi vật chất. Tuy nhiên, quan điểm nhị nguyên như vậy dường như không đủ thuyết phục từ quan điểm tiến hóa hay quan điểm logic. Nó không có tác dụng ngăn chặn đối với nghiên cứu AI.

Những cân nhắc về bản chất khác đã thu hút nhiều sự chú ý hơn của các chuyên gia AI. Năm 1972, Hubert L. Dreyfus đã xuất bản một cuốn sách có tính chỉ trích cao về các màn diễu hành của trí thông minh trong các hệ thống AI. Ông chỉ ra rằng những hệ thống này đã không mô hình hóa đầy đủ tư duy thực sự, và phát hiện ra một khuôn mẫu vốn có trong tất cả những nỗ lực thất bại này. Theo ý kiến ​​của ông, các mô hình thiếu kho kiến ​​thức chung không được chính thức hóa khổng lồ về thế giới mà bất kỳ người nào cũng có, cũng như khả năng vốn có theo lẽ thường để dựa vào các thành phần nhất định của kiến ​​thức này, tùy thuộc vào yêu cầu của một môi trường thay đổi. . Dreyfus không phủ nhận khả năng cơ bản của việc tạo ra một hệ thống vật lý nhân tạo có khả năng tư duy, nhưng ông rất phê phán ý tưởng rằng điều này chỉ có thể đạt được bằng cách thao tác các ký hiệu với các quy tắc áp dụng đệ quy.

Trong giới chuyên gia trí tuệ nhân tạo, cũng như các nhà lý luận triết học Dreyfus chủ yếu bị coi là thiển cận và thiên vị, dựa trên những đơn giản hóa không thể tránh khỏi vốn có trong lĩnh vực nghiên cứu còn rất non trẻ này. Có lẽ những thiếu sót này đã thực sự diễn ra, nhưng tất nhiên, chúng chỉ là tạm thời. Sẽ đến lúc những cỗ máy mạnh hơn và những chương trình tốt hơn sẽ có thể loại bỏ những khuyết điểm này. Có vẻ như thời gian làm việc cho trí tuệ nhân tạo. Do đó, những phản đối này không có bất kỳ tác động đáng chú ý nào đến các nghiên cứu sâu hơn trong lĩnh vực AI.

Tuy nhiên, hóa ra thời gian đó có tác dụng với Dreyfus: vào cuối những năm 70 - đầu những năm 80, tốc độ và trí nhớ của máy vi tính tăng lên không làm tăng "khả năng trí óc" của họ nhiều. Ví dụ, hóa ra nhận dạng mẫu trong hệ thống thị giác máy đòi hỏi một lượng lớn tính toán bất ngờ. Để có được kết quả thực tế đáng tin cậy, ngày càng phải sử dụng nhiều thời gian máy tính hơn, vượt xa thời gian cần thiết để thực hiện các nhiệm vụ tương tự đối với hệ thống thị giác sinh học. Quá trình mô phỏng chậm chạp như vậy thật đáng báo động: xét cho cùng, trong máy tính, tín hiệu truyền nhanh hơn khoảng một triệu lần so với trong não và tần số xung nhịp của bộ xử lý trung tâm của máy tính cũng cao hơn tần số của bất kỳ dao động nào được tìm thấy. trong não. Chưa hết, trong các nhiệm vụ thực tế, con rùa dễ dàng vượt qua thỏ rừng.

Ngoài ra, để giải quyết các vấn đề thực tế, chương trình máy tính cần có quyền truy cập vào một cơ sở dữ liệu cực lớn. Bản thân việc xây dựng một cơ sở dữ liệu như vậy đã là một vấn đề khá khó khăn, nhưng nó lại trở nên trầm trọng hơn bởi một tình huống khác: làm thế nào để cung cấp quyền truy cập vào các phân đoạn cụ thể, phụ thuộc vào ngữ cảnh của cơ sở dữ liệu này trong thời gian thực. Khi cơ sở dữ liệu ngày càng trở nên dung lượng hơn, vấn đề truy cập trở nên phức tạp hơn. Quá trình tìm kiếm toàn diện mất quá nhiều thời gian và các phương pháp phỏng đoán không phải lúc nào cũng thành công. Những nỗi sợ hãi tương tự như những gì Dreyfus bày tỏ đã bắt đầu được chia sẻ ngay cả với một số chuyên gia làm việc trong lĩnh vực trí tuệ nhân tạo.

Vào khoảng thời gian này (1980), John Searle đã trình bày một khái niệm quan trọng đột phá đặt ra câu hỏi về giả định rất cơ bản của chương trình nghiên cứu AI cổ điển, cụ thể là ý tưởng rằng thao tác chính xác của các ký hiệu có cấu trúc bằng cách áp dụng đệ quy các quy tắc có tính đến cấu trúc của chúng. , có thể tạo thành bản chất của tâm trí có ý thức.

Lập luận chính của Searle dựa trên một thử nghiệm suy nghĩ, trong đó ông chứng minh hai sự kiện rất quan trọng. Đầu tiên, ông mô tả một máy MS (như chúng ta nên hiểu) thực hiện một chức năng, trên đầu vào và đầu ra, có khả năng vượt qua bài kiểm tra Turing dưới dạng một cuộc hội thoại chỉ diễn ra bằng tiếng Trung. Thứ hai, cấu trúc bên trong của chiếc máy đến mức cho dù nó có biểu hiện như thế nào đi chăng nữa, người quan sát chắc chắn rằng không phải toàn bộ chiếc máy hay bất kỳ bộ phận nào của nó đều hiểu được ngôn ngữ Trung Quốc. Tất cả những gì nó chứa là một người chỉ nói tiếng Anh, tuân theo các quy tắc được viết trong hướng dẫn, với sự trợ giúp của các ký tự nào nên được thao tác khi vào và ra thông qua hộp thư trong cửa. Tóm lại, hệ thống này đáp ứng tích cực bài kiểm tra Turing, mặc dù thực tế là nó không có hiểu biết thực sự về ngôn ngữ Trung Quốc và nội dung ngữ nghĩa thực tế của thông điệp (xem bài báo của J. Searle “Tâm trí của bộ não - một chương trình máy tính? ").

Kết luận chung từ điều này là bất kỳ hệ thống nào chỉ đơn giản vận dụng các ký hiệu vật lý theo các quy tắc nhạy cảm với cấu trúc sẽ tốt nhất là một sự bắt chước kém của một bộ óc có ý thức thực sự, vì không thể tạo ra "ngữ nghĩa thực" chỉ bằng cách xoay núm của " cú pháp rỗng ”. Cần lưu ý ở đây rằng Searle không đưa ra một bài kiểm tra hành vi (không hành vi) đối với sự hiện diện của ý thức: các yếu tố của tâm trí có ý thức phải có nội dung ngữ nghĩa thực sự.

Có một sự cám dỗ để khiển trách Searle với thực tế rằng thí nghiệm suy nghĩ của anh ta không đầy đủ, vì hệ thống mà anh ta đề xuất, hoạt động giống như một "khối Rubik", sẽ hoạt động chậm một cách vô lý. Tuy nhiên, Searle khẳng định rằng tốc độ không đóng bất kỳ vai trò nào trong trường hợp này. Ai suy nghĩ chậm vẫn nghĩ đúng. Tất cả mọi thứ cần thiết cho việc tái tạo tư duy, theo quan niệm của AI cổ điển, theo ý kiến ​​của ông, đều có mặt trong "căn phòng Trung Quốc".

Bài báo của Searle đã thu hút sự hưởng ứng nhiệt tình từ các chuyên gia AI, nhà tâm lý học và triết học. Tuy nhiên, về tổng thể, nó còn vấp phải sự thù địch hơn cả cuốn sách của Dreyfus. Trong bài báo của mình, được xuất bản đồng thời trên tạp chí này, Searle đưa ra một số lập luận phản biện chống lại khái niệm của mình. Theo ý kiến ​​của chúng tôi, nhiều người trong số họ là chính đáng, đặc biệt là những người mà tác giả của họ tham lam “cắn câu”, cho rằng mặc dù hệ thống bao gồm một căn phòng và nội dung của nó rất chậm, nó vẫn hiểu được tiếng Trung Quốc.

Chúng tôi thích những câu trả lời này, nhưng không phải vì chúng tôi nghĩ rằng phòng Trung Quốc hiểu tiếng Trung. Chúng tôi đồng ý với Searle rằng cô ấy không hiểu anh ấy. Điểm hấp dẫn của những lập luận này là chúng phản ánh sự thất bại trong việc chấp nhận tiên đề thứ ba hoàn toàn quan trọng trong lập luận của Searle: "Bản thân cú pháp không cấu thành ngữ nghĩa và không đủ cho sự tồn tại của ngữ nghĩa." Tiên đề này có thể đúng, nhưng Searle không thể khẳng định một cách chính đáng rằng anh ta biết chắc điều này. Hơn nữa, gợi ý rằng đúng là đặt ra câu hỏi liệu chương trình nghiên cứu AI cổ điển có đúng đắn hay không, vì chương trình này dựa trên giả định rất thú vị rằng nếu chúng ta chỉ có thể thiết lập một quá trình có cấu trúc thích hợp, một loại vũ điệu nội tại của các yếu tố cú pháp, được kết nối một cách chính xác với các đầu vào và đầu ra, thì chúng ta có thể có được những trạng thái và biểu hiện tương tự của tâm trí vốn có trong con người.

Tiên đề thứ ba của Searle thực sự khiến câu hỏi này trở nên rõ ràng khi chúng ta so sánh trực tiếp nó với kết luận đầu tiên của ông: "Các chương trình xuất hiện như bản chất của tâm trí và sự hiện diện của chúng không đủ cho sự hiện diện của tâm trí." Không khó để thấy rằng tiên đề thứ ba của ông đã mang đến 90% kết luận gần giống với nó. Đây là lý do tại sao thí nghiệm suy nghĩ của Searle được thiết kế đặc biệt để hỗ trợ tiên đề thứ ba. Đây là toàn bộ điểm của căn phòng Trung Quốc.

Mặc dù ví dụ về căn phòng của người Trung Quốc làm cho tiên đề 3 trở nên hấp dẫn đối với những người mới bắt đầu, chúng tôi không nghĩ rằng nó chứng minh tính hợp lệ của tiên đề này, và để chứng minh sự thất bại của ví dụ này, chúng tôi đưa ra ví dụ song song của chúng tôi như một minh họa. Thông thường, một ví dụ điển hình bác bỏ một tuyên bố bị tranh chấp sẽ tốt hơn nhiều trong việc làm rõ tình huống hơn là cả một cuốn sách đầy rẫy những lời tung hứng hợp lý.

Đã có nhiều ví dụ về sự hoài nghi trong lịch sử khoa học, chẳng hạn như chúng ta thấy trong lý luận của Searle. Vào thế kỷ thứ XVIII. Giám mục Ireland, George Berkeley, không thể tưởng tượng được rằng sóng nén trong không khí tự bản chất có thể là bản chất của các hiện tượng âm thanh hoặc là một yếu tố đủ cho sự tồn tại của chúng. Nhà thơ kiêm họa sĩ người Anh William Blake và nhà tự nhiên học người Đức Johann Goethe coi những hạt vật chất nhỏ bé lại có thể là một thực thể hoặc một yếu tố đủ cho sự tồn tại khách quan của ánh sáng là điều không tưởng. Ngay cả trong thế kỷ này, có những người không thể tưởng tượng được rằng bản thân vật chất vô tri vô giác, cho dù tổ chức của nó phức tạp đến đâu, lại có thể là một thực thể hữu cơ hoặc một điều kiện đủ của sự sống. Rõ ràng, những gì mọi người có thể tưởng tượng thường không liên quan gì đến những gì thực sự tồn tại hoặc không tồn tại trong thực tế. Điều này đúng ngay cả khi nói đến những người có mức độ thông minh rất cao.

Để xem những bài học lịch sử này có thể được áp dụng như thế nào vào lý luận của Searle, chúng ta hãy áp dụng một phép song song giả tạo vào logic của ông ấy và củng cố sự song song này bằng một thí nghiệm suy nghĩ.

Tiên đề 1. Điện và từ là lực vật lý.

Tiên đề 2. Một tính chất thiết yếu của ánh sáng là độ chói.

Tiên đề 3. Bản thân các lực xuất hiện như bản chất của hiệu ứng phát sáng và không đủ cho sự hiện diện của nó.

Kết luận 1. Điện và từ không phải là bản chất của ánh sáng và không đủ cho sự hiện diện của nó.

Chúng ta hãy giả định rằng lý luận này đã được xuất bản ngay sau đó James K. Maxwell năm 1864 cho rằng ánh sáng và sóng điện từ là giống hệt nhau, nhưng trước khi sự tương đồng có hệ thống giữa các đặc tính của ánh sáng và các đặc tính của sóng điện từ đã được thực hiện đầy đủ trên thế giới. Suy luận logic ở trên có vẻ như là một sự phản đối thuyết phục đối với giả thuyết táo bạo của Maxwell, đặc biệt nếu nó được đi kèm với nhận xét sau ủng hộ Tiên đề 3.

Xét một căn phòng tối, trong đó có một người đang cầm trên tay một nam châm vĩnh cửu hoặc một vật tích điện. Nếu một người bắt đầu di chuyển nam châm lên và xuống, thì theo lý thuyết về ánh sáng nhân tạo (AI) của Maxwell, một quả cầu lan truyền sóng điện từ sẽ phát ra từ nam châm và căn phòng sẽ trở nên sáng hơn. Nhưng, ai đã thử chơi với nam châm hoặc quả cầu tích điện đều biết, lực của chúng (và đối với vấn đề đó, bất kỳ lực nào khác), ngay cả khi những vật này chuyển động, không tạo ra bất kỳ sự phát sáng nào. Do đó, có vẻ như không thể tưởng tượng được rằng chúng ta có thể đạt được hiệu ứng phát sáng thực sự chỉ bằng cách tác động lực!

Dao động của lực điện từ là ánh sáng, mặc dù nam châm mà một người di chuyển không tạo ra bất kỳ ánh sáng nào. Tương tự như vậy, việc vận dụng các ký hiệu theo các quy tắc nhất định có thể tạo thành trí thông minh, mặc dù hệ thống dựa trên quy tắc được tìm thấy trong Phòng Trung Quốc của Searle dường như thiếu hiểu biết thực sự.

Maxwell có thể trả lời gì nếu thử thách này được ném cho anh ta?

Đầu tiên, ông có thể khẳng định rằng thí nghiệm "phòng phát sáng" đánh lừa chúng ta về các đặc tính của ánh sáng khả kiến, bởi vì tần số dao động của nam châm cực kỳ thấp, ít hơn khoảng 1015 lần so với mức cần thiết. Điều này có thể được theo sau bởi câu trả lời thiếu kiên nhẫn rằng tần số không đóng bất kỳ vai trò nào ở đây, rằng căn phòng với nam châm dao động đã chứa mọi thứ cần thiết cho sự biểu hiện của hiệu ứng phát sáng hoàn toàn phù hợp với lý thuyết của Maxwell.

Đến lượt nó Maxwell có thể "cắn câu" bằng cách tuyên bố khá đúng rằng căn phòng đã có đầy đủ độ sáng, nhưng bản chất và sức mạnh của sự phát quang này đến nỗi một người không thể nhìn thấy nó. (Do tần số thấp mà một người di chuyển một nam châm, độ dài của sóng điện từ được tạo ra quá dài và cường độ quá thấp để mắt người phản ứng với chúng.) Tuy nhiên, với mức độ hiểu biết về những hiện tượng này trong khoảng thời gian được coi là (những năm 60 của thế kỷ trước), một lời giải thích như vậy có lẽ đã gây ra tiếng cười và những nhận xét chế giễu. Phòng phát sáng! Nhưng xin lỗi, ông Maxwell, trong đó tối hoàn toàn! ”

Vì vậy, chúng tôi thấy rằng người nghèo Maxwell phải khó khăn. Tất cả những gì anh ấy có thể làm là nhấn mạnh vào ba điểm sau đây. Thứ nhất, tiên đề 3 trong suy luận trên là không đúng. Thật vậy, mặc dù về mặt trực giác, điều đó có vẻ khá hợp lý, nhưng chúng ta vô tình đặt ra một câu hỏi về nó. Thứ hai, thí nghiệm phòng phát sáng không cho chúng ta thấy điều gì thú vị về bản chất vật lý của ánh sáng. Và thứ ba, để thực sự giải quyết được vấn đề ánh sáng và khả năng phát quang nhân tạo, chúng ta cần một chương trình nghiên cứu cho phép chúng ta xác định xem trong các điều kiện thích hợp, hành vi của sóng điện từ có hoàn toàn giống với hành vi của ánh sáng hay không. Câu trả lời tương tự cũng nên được đưa ra bởi trí tuệ nhân tạo cổ điển đối với suy luận của Searle. Mặc dù phòng tiếng Trung của Searle có vẻ "tối về mặt ngữ nghĩa", nhưng ông có ít lý do để khẳng định rằng việc vận dụng các ký hiệu được thực hiện theo các quy tắc nhất định không bao giờ có thể tạo ra hiện tượng ngữ nghĩa, đặc biệt là vì mọi người vẫn còn thiếu hiểu biết và chỉ giới hạn trong việc hiểu ngôn ngữ. mức độ cảm nhận chung của những hiện tượng ngữ nghĩa và tinh thần cần được giải thích. Thay vì tận dụng sự hiểu biết về những điều này, Searle trong lý luận của mình thoải mái sử dụng sự thiếu hiểu biết đó ở mọi người.

Sau khi bày tỏ sự chỉ trích của chúng tôi đối với lý luận của Searle, chúng ta hãy quay lại câu hỏi liệu một chương trình AI cổ điển có cơ hội thực sự để giải quyết vấn đề của tâm trí có ý thức và tạo ra một cỗ máy tư duy hay không. Chúng tôi cho rằng triển vọng ở đây không mấy sáng sủa, nhưng ý kiến ​​của chúng tôi dựa trên những lý do về cơ bản khác với những lý do mà Searle đã sử dụng. Chúng tôi xây dựng dựa trên những thất bại cụ thể của chương trình nghiên cứu AI cổ điển và dựa trên một số bài học mà bộ não sinh học đã dạy chúng tôi thông qua một lớp mô hình tính toán mới thể hiện một số đặc tính trong cấu trúc của nó. Chúng tôi đã đề cập đến những thất bại của AI cổ điển trong việc giải quyết những vấn đề được giải quyết nhanh chóng và hiệu quả bởi bộ não. Các nhà khoa học đang dần đi đến thống nhất rằng những thất bại này là do các đặc tính của kiến ​​trúc chức năng của máy MS, đơn giản là không phù hợp để giải quyết các nhiệm vụ phức tạp trước đó.

Điều chúng ta cần biết là làm thế nào để não bộ đạt được hiệu quả tư duy? Kỹ thuật đảo ngược là một kỹ thuật phổ biến trong kỹ thuật. Khi một thiết bị kỹ thuật mới được bán, các đối thủ cạnh tranh sẽ tìm ra cách hoạt động của nó bằng cách tách nó ra và cố gắng đoán nguyên tắc hoạt động của nó. Trong trường hợp của bộ não, cách tiếp cận này cực kỳ khó thực hiện, bởi vì bộ não là thứ phức tạp nhất trên hành tinh. Tuy nhiên, các nhà sinh lý học thần kinh đã khám phá ra nhiều đặc tính của não ở các cấp độ cấu trúc khác nhau. Ba đặc điểm giải phẫu về cơ bản phân biệt nó với kiến ​​trúc của máy tính điện tử truyền thống.

Trước hết, hệ thần kinh là một cỗ máy song song, theo nghĩa là các tín hiệu được xử lý đồng thời theo hàng triệu cách khác nhau. Ví dụ: võng mạc của mắt truyền tín hiệu đầu vào phức tạp đến não không phải theo lô 8, 16 hoặc 32 phần tử, giống như máy tính để bàn, mà ở dạng tín hiệu bao gồm gần một triệu phần tử riêng lẻ đến đồng thời phần cuối của dây thần kinh thị giác (phần thân bên), sau đó chúng cũng đồng thời, trong một bước, được xử lý bởi não. Thứ hai, "thiết bị xử lý" cơ bản của não, tế bào thần kinh, tương đối đơn giản. Ngoài ra, phản ứng của nó đối với tín hiệu đầu vào là tương tự, không phải kỹ thuật số, theo nghĩa là tần số của tín hiệu đầu ra thay đổi liên tục với các tín hiệu đầu vào.

Thứ ba, trong não, ngoài các sợi trục dẫn từ nhóm tế bào thần kinh này sang nhóm tế bào thần kinh khác, chúng ta thường tìm thấy các sợi trục dẫn theo hướng ngược lại. Các quá trình quay trở lại này cho phép não bộ điều chỉnh cách xử lý thông tin cảm giác. Điều quan trọng hơn nữa là, do sự tồn tại của chúng, não bộ là một hệ thống thực sự năng động, trong đó hành vi được duy trì liên tục được đặc trưng bởi tính phức tạp rất cao và tính độc lập tương đối với các kích thích ngoại vi. Các mô hình mạng đơn giản hóa đã đóng một vai trò hữu ích trong việc nghiên cứu cơ chế hoạt động của mạng nơron thực và các đặc tính tính toán của các kiến ​​trúc song song. Ví dụ, hãy xem xét một mô hình ba lớp bao gồm các phần tử giống tế bào thần kinh có các kết nối giống như sợi trục với các phần tử ở cấp độ tiếp theo. Kích thích đầu vào đạt đến ngưỡng kích hoạt của một phần tử đầu vào nhất định, tín hiệu này sẽ gửi một tín hiệu có cường độ tương ứng dọc theo "sợi trục" của nó tới nhiều đầu "tiếp hợp" của các phần tử của lớp ẩn. Hiệu quả tổng thể là một mẫu tín hiệu kích hoạt cụ thể trên một tập hợp các phần tử đầu vào tạo ra một mẫu tín hiệu nhất định trên một tập hợp các phần tử ẩn.

Điều tương tự cũng có thể nói về các yếu tố đầu ra. Tương tự, cấu hình của các tín hiệu kích hoạt tại lát cắt của lớp ẩn dẫn đến một kiểu kích hoạt nhất định tại lát của các phần tử đầu ra. Tóm lại, chúng ta có thể nói rằng mạng đang được xem xét là một thiết bị để chuyển đổi bất kỳ số lượng lớn các vectơ đầu vào có thể có (cấu hình của tín hiệu kích hoạt) thành một vectơ đầu ra tương ứng duy nhất. Thiết bị này được thiết kế để tính toán một chức năng cụ thể. Nó đánh giá chức năng nào phụ thuộc vào cấu hình toàn cục của cấu trúc trọng số khớp thần kinh.

Mạng lưới thần kinh mô hình tính chất chính của cấu trúc vi mô não. Trong mạng ba lớp này, các nơ-ron đầu vào (phía dưới bên trái) xử lý mẫu tín hiệu kích hoạt (phía dưới bên phải) và chuyển chúng qua các kết nối có trọng số đến lớp ẩn. Các phần tử lớp ẩn tổng hợp nhiều đầu vào của chúng để tạo thành một cấu hình tín hiệu mới. Nó được chuyển đến lớp bên ngoài, lớp này thực hiện các phép biến đổi tiếp theo. Nói chung, mạng sẽ biến đổi bất kỳ tập hợp tín hiệu đầu vào nào thành đầu ra tương ứng, tùy thuộc vào vị trí và độ mạnh tương đối của các kết nối giữa các nơ-ron.

Có nhiều quy trình khác nhau để lắp các trọng số, nhờ đó người ta có thể tạo ra một mạng có khả năng tính toán hầu hết mọi hàm (tức là bất kỳ sự chuyển đổi nào giữa các vectơ). Trên thực tế, có thể triển khai một chức năng trong mạng mà thậm chí không thể được xây dựng, chỉ cần cung cấp cho nó một tập hợp các ví dụ cho thấy chúng ta muốn có lối vào và lối ra nào là đủ. Quá trình này, được gọi là "học mạng", được thực hiện bằng cách chọn liên tiếp các trọng số được gán cho các liên kết, quá trình này tiếp tục cho đến khi mạng bắt đầu thực hiện các phép biến đổi mong muốn trên đầu vào để thu được đầu ra mong muốn.

Mặc dù mô hình mạng này đơn giản hóa rất nhiều cấu trúc của não, nhưng nó vẫn minh họa một số khía cạnh quan trọng. Đầu tiên, kiến ​​trúc song song mang lại lợi thế về tốc độ rất lớn so với máy tính truyền thống, vì nhiều khớp thần kinh ở mỗi cấp thực hiện đồng thời nhiều thao tác tính toán nhỏ, thay vì hoạt động theo chế độ tuần tự rất tốn thời gian. Ưu điểm này ngày càng trở nên đáng kể khi số lượng tế bào thần kinh ở mỗi cấp độ tăng lên. Đáng ngạc nhiên là tốc độ xử lý thông tin hoàn toàn không phụ thuộc vào số lượng phần tử tham gia vào quá trình ở mỗi cấp độ, cũng như độ phức tạp của chức năng mà chúng tính toán. Mỗi cấp độ có thể có bốn yếu tố, hoặc một trăm triệu; cấu hình trọng số synap có thể tính tổng đơn giản có một chữ số hoặc giải phương trình vi phân cấp hai. Không quan trọng. Thời gian tính toán sẽ hoàn toàn giống nhau.

Thứ hai, bản chất song song của hệ thống làm cho nó không nhạy cảm với các lỗi nhỏ và mang lại cho nó sự ổn định về chức năng; việc mất một vài liên kết, thậm chí một số liên kết đáng chú ý trong số đó, có ảnh hưởng không đáng kể đến tiến độ tổng thể của quá trình chuyển đổi được thực hiện bởi phần còn lại của mạng.

Thứ ba, một hệ thống song song lưu trữ một lượng lớn thông tin ở dạng phân tán, đồng thời cung cấp quyền truy cập vào bất kỳ đoạn thông tin này trong thời gian tính bằng vài mili giây. Thông tin được lưu trữ dưới dạng các cấu hình nhất định về trọng số của các kết nối synap riêng lẻ đã được hình thành trong quá trình học tập trước đó. Thông tin mong muốn được "giải phóng" khi vector đầu vào đi qua (và biến đổi) cấu hình liên kết này.

Xử lý dữ liệu song song không phải là lý tưởng cho tất cả các loại máy tính. Khi giải quyết các vấn đề với một vector đầu vào nhỏ, nhưng đòi hỏi nhiều triệu phép tính đệ quy lặp lại nhanh chóng, bộ não hoàn toàn bất lực, trong khi các máy MS cổ điển thể hiện khả năng tốt nhất của chúng. Đây là một lớp máy tính rất lớn và quan trọng, do đó các máy cổ điển sẽ luôn cần thiết và thậm chí là cần thiết. Tuy nhiên, có một loại tính toán rộng rãi không kém mà kiến ​​trúc của bộ não là giải pháp kỹ thuật tốt nhất. Đây chủ yếu là những phép tính mà các sinh vật sống thường phải đối mặt: nhận biết đường nét của kẻ săn mồi trong môi trường "ồn ào"; ngay lập tức nhớ lại phản ứng chính xác đối với ánh nhìn của anh ta, cách chạy trốn khi anh ta đến gần hoặc phòng thủ khi anh ta bị tấn công; phân biệt giữa những thứ ăn được và không ăn được, giữa bạn tình và động vật khác; lựa chọn hành vi trong một môi trường vật chất hoặc xã hội phức tạp và thay đổi liên tục; vân vân.

Cuối cùng, điều rất quan trọng cần lưu ý là hệ thống song song được mô tả không thao tác các ký hiệu theo các quy tắc cấu trúc. Đúng hơn, thao tác ký hiệu chỉ là một trong nhiều kỹ năng "thông minh" khác mà mạng có thể học hoặc không thể học. Thao tác ký hiệu theo hướng quy tắc không phải là cách mạng hoạt động chính. Lập luận của Searle hướng đến việc chống lại các cỗ máy MC được điều chỉnh theo quy tắc; Các hệ thống biến đổi vectơ thuộc loại mà chúng tôi đã mô tả do đó nằm ngoài phạm vi của lập luận phòng the Trung Quốc của ông, ngay cả khi nó là hợp lệ, mà chúng tôi có những lý do độc lập khác để nghi ngờ.

Searle biết về các bộ xử lý song song, nhưng theo ý kiến ​​của ông, chúng cũng sẽ không có nội dung ngữ nghĩa thực sự. Để minh họa cho sự kém cỏi không thể tránh khỏi của họ về vấn đề này, anh ấy mô tả một thử nghiệm suy nghĩ thứ hai, lần này là với một phòng tập thể dục ở Trung Quốc đầy người được tổ chức thành một mạng lưới song song. Cách lập luận xa hơn của ông cũng tương tự như lý luận trong trường hợp của Phòng Trung Quốc.

Theo chúng tôi, ví dụ thứ hai này không thành công và thuyết phục bằng ví dụ đầu tiên. Trước hết, thực tế là không một yếu tố nào trong hệ thống hiểu tiếng Trung đóng bất kỳ vai trò nào, bởi vì điều này cũng đúng trong mối quan hệ với hệ thần kinh của con người: không một tế bào thần kinh nào trong não của tôi hiểu được tiếng Anh, mặc dù toàn bộ bộ não đều hiểu. . Searle tiếp tục nói rằng mô hình của anh ấy (một người trên mỗi tế bào thần kinh cộng với một cậu bé chân nhanh trên mỗi kết nối khớp thần kinh) sẽ cần ít nhất 1014 người, vì não người chứa 1011 tế bào thần kinh, mỗi tế bào có trung bình 103 kết nối. Do đó, hệ thống của ông sẽ yêu cầu dân số 10.000 thế giới, chẳng hạn như Trái đất của chúng ta. Rõ ràng, phòng tập thể dục còn lâu mới có thể đáp ứng được một mô hình ít nhiều tương xứng.

Mặt khác, nếu một hệ thống như vậy vẫn có thể được lắp ráp, ở quy mô vũ trụ thích hợp, với tất cả các kết nối được mô hình hóa chính xác, chúng ta sẽ có một bộ não khổng lồ, chậm chạp, được thiết kế kỳ lạ, nhưng vẫn hoạt động. Trong trường hợp này, tất nhiên, anh ta sẽ nghĩ rằng với đầu vào phù hợp, anh ta sẽ suy nghĩ, chứ không phải ngược lại, anh ta không có khả năng đó. Không thể đảm bảo rằng hoạt động của một hệ thống như vậy sẽ đại diện cho tư duy thực sự, vì lý thuyết xử lý véc tơ có thể không phản ánh đầy đủ hoạt động của bộ não. Nhưng theo cách tương tự, chúng tôi không có gì đảm bảo trước rằng cô ấy sẽ không nghĩ. Searle một lần nữa xác định sai giới hạn hiện tại của trí tưởng tượng của chính mình (hoặc của người đọc) với giới hạn của thực tế khách quan.

Não

Bộ não là một loại máy tính, mặc dù hầu hết các đặc tính của nó vẫn chưa được biết đến. Việc mô tả bộ não như một chiếc máy tính còn lâu mới dễ dàng, và không nên coi nhẹ nỗ lực như vậy. Bộ não thực hiện các chức năng tính toán, nhưng không giống như trong các nhiệm vụ ứng dụng được giải quyết bởi trí thông minh nhân tạo cổ điển. Khi chúng ta nói về một cỗ máy như một máy tính, chúng ta không muốn nói đến một máy tính kỹ thuật số tuần tự cần được lập trình và có sự tách biệt rõ ràng giữa phần mềm và phần cứng; chúng tôi cũng không có nghĩa là máy tính này thao tác các ký hiệu hoặc tuân theo các quy tắc nhất định. Bộ não là một máy tính về cơ bản là một loại khác.

Người ta vẫn chưa biết cách não bộ nắm bắt nội dung ngữ nghĩa của thông tin, nhưng rõ ràng vấn đề này vượt xa ngôn ngữ học và không chỉ giới hạn ở con người với tư cách là một loài. Một mảnh đất tươi nhỏ có nghĩa là, đối với cả người và sói, rằng có một con gopher ở đâu đó gần đó; một tiếng vang với các đặc điểm quang phổ nhất định cho thấy sự hiện diện của một con bướm đêm đối với một con dơi. Để phát triển lý thuyết về sự hình thành ý nghĩa, chúng ta cần biết thêm về cách các tế bào thần kinh mã hóa và biến đổi các tín hiệu cảm giác, cơ sở thần kinh của trí nhớ, học tập và cảm xúc, và mối quan hệ giữa các yếu tố này với hệ vận động. Một lý thuyết dựa trên sinh lý học thần kinh về sự hiểu biết ý nghĩa thậm chí có thể đòi hỏi trực giác của chúng ta, mà giờ đây chúng ta dường như không thể lay chuyển được và Searle sử dụng nó một cách tự do trong lý luận của mình. Những sửa đổi như vậy không phải là hiếm trong lịch sử khoa học.

Khoa học có thể tạo ra trí tuệ nhân tạo bằng cách sử dụng những gì đã biết về hệ thần kinh không? Chúng tôi không thấy có trở ngại cơ bản nào trên con đường này. Searle bị cáo buộc đồng ý, nhưng với cảnh báo: "Bất kỳ hệ thống nào khác có khả năng tạo ra trí thông minh phải có các đặc tính nhân quả (ít nhất) tương đương với các đặc tính tương ứng của não." Ở cuối bài viết, chúng tôi sẽ xem xét tuyên bố này. Chúng tôi tin rằng Searle không lập luận rằng một hệ thống AI thành công nhất thiết phải có tất cả các đặc tính nhân quả của não, chẳng hạn như khả năng ngửi thấy mùi thối rữa, khả năng mang vi rút, khả năng chuyển sang màu vàng dưới tác dụng của peroxidase củ cải ngựa, v.v. . Yêu cầu tuân thủ đầy đủ sẽ giống như yêu cầu một máy bay nhân tạo có thể đẻ trứng.

Ông có lẽ chỉ muốn nói đến yêu cầu rằng một tâm trí nhân tạo có tất cả các đặc tính nhân quả, như ông nói, thuộc về một tâm trí có ý thức. Tuy nhiên, những cái nào chính xác? Và ở đây chúng ta lại quay trở lại cuộc tranh cãi về điều gì thuộc về tâm trí có ý thức và điều gì không thuộc về tâm trí. Đây chỉ là nơi để tranh luận, nhưng sự thật trong trường hợp này nên được tìm ra bằng thực nghiệm - hãy thử và xem điều gì sẽ xảy ra. Vì chúng ta biết quá ít về quá trình suy nghĩ và ngữ nghĩa chính xác là gì, nên bất kỳ sự chắc chắn nào về những thuộc tính nào có liên quan ở đây sẽ là quá sớm. Searle gợi ý nhiều lần rằng mọi cấp độ, bao gồm cả hóa sinh, phải được thể hiện trong bất kỳ máy nào tự nhận là trí tuệ nhân tạo. Rõ ràng, đây là một yêu cầu quá mạnh. Một bộ não nhân tạo có thể đạt được hiệu quả tương tự mà không cần sử dụng các cơ chế sinh hóa.

Khả năng này đã được chứng minh trong các nghiên cứu của K. Mead tại Viện Công nghệ California. Mead và các đồng nghiệp của ông đã sử dụng các thiết bị vi điện tử tương tự để tạo ra võng mạc nhân tạo và ốc tai nhân tạo. (Ở động vật, võng mạc và ốc tai không chỉ là đầu dò: có quá trình xử lý song song phức tạp đang diễn ra trong cả hai hệ thống.) Những thiết bị này không còn là những mô hình đơn giản trong một chiếc máy tính mini mà Searle cười khúc khích; chúng là các yếu tố xử lý thông tin thực phản hồi theo thời gian thực với các tín hiệu thực: ánh sáng trong trường hợp võng mạc và âm thanh trong trường hợp ốc tai. Sơ đồ thiết bị dựa trên các đặc tính giải phẫu và sinh lý đã biết của võng mạc mèo và ốc tai cú trong chuồng, và đầu ra của chúng cực kỳ gần với đầu ra đã biết của các cơ quan mà chúng mô hình hóa.

Các vi mạch này không sử dụng bất kỳ chất dẫn truyền thần kinh nào, do đó chất dẫn truyền thần kinh dường như không cần thiết để đạt được kết quả mong muốn. Tất nhiên, chúng ta không thể nói rằng võng mạc nhân tạo nhìn thấy thứ gì đó, vì đầu ra của nó không đi đến đồi thị nhân tạo hoặc vỏ não, v.v. Liệu có thể xây dựng toàn bộ bộ não nhân tạo bằng chương trình Mead hay không, nhưng tại hiện tại Chúng tôi không có bằng chứng cho thấy sự vắng mặt của các cơ chế sinh hóa trong hệ thống làm cho cách tiếp cận này không thực tế.

Hệ thần kinh trải dài trên toàn bộ phạm vi tổ chức, từ các phân tử dẫn truyền thần kinh (bên dưới) đến toàn bộ não và tủy sống. Các cấp độ trung gian chứa các tế bào thần kinh và mạch thần kinh riêng lẻ, chẳng hạn như các mạch thực hiện tính chọn lọc của nhận thức đối với các kích thích thị giác (ở trung tâm) và các hệ thống bao gồm nhiều mạch, tương tự như các mạch phục vụ các chức năng của lời nói (trên cùng bên phải). Chỉ thông qua nghiên cứu, người ta mới có thể thiết lập một hệ thống nhân tạo có khả năng tái tạo các hệ thống sinh học có trí óc chặt chẽ như thế nào.

Giống như Searle, chúng tôi từ chối bài kiểm tra Turing như một tiêu chí đủ cho sự hiện diện của một tâm trí có ý thức. Ở một mức độ, chúng tôi có những lý do tương tự để làm điều này: chúng tôi đồng ý rằng điều rất quan trọng là cách chức năng được xác định bởi đầu vào-đầu ra được thực hiện; điều quan trọng là các quy trình chính xác diễn ra trong máy. Ở một cấp độ khác, chúng ta được hướng dẫn bởi những cân nhắc hoàn toàn khác. Searle căn cứ vào lập trường của mình về sự hiện diện hay vắng mặt của nội dung ngữ nghĩa dựa trên các trực giác của ý thức thông thường. Quan điểm của chúng tôi dựa trên những hư hỏng cụ thể của các máy MS cổ điển và thành tích cụ thể của những máy có kiến ​​trúc gần với cấu trúc của não hơn. So sánh các loại máy móc khác nhau này cho thấy rằng một số chiến lược tính toán có lợi thế lớn và mang tính quyết định so với các loại khác liên quan đến các nhiệm vụ trí óc điển hình. Những lợi thế này, được thiết lập theo kinh nghiệm, không gây ra bất kỳ nghi ngờ nào. Rõ ràng, bộ não tận dụng những lợi thế tính toán này một cách có hệ thống. Tuy nhiên, nó không nhất thiết phải là hệ thống vật lý duy nhất có khả năng tận dụng chúng. Ý tưởng tạo ra trí thông minh nhân tạo trong một cỗ máy không sinh học nhưng về cơ bản là song song vẫn rất hấp dẫn và khá hứa hẹn.

Trí tuệ nhân tạo là một lĩnh vực khoa học thiết kế máy móc, máy tính và phần cứng với trí thông minh khác nhau, từ đơn giản nhất đến hình người. Mặc dù khái niệm về máy thông minh bắt nguồn từ thần thoại Hy Lạp cổ đại, nhưng lịch sử hiện đại của trí tuệ nhân tạo bắt đầu với sự phát triển của máy tính. Thuật ngữ này được đặt ra vào năm 1956 tại hội nghị trí tuệ nhân tạo đầu tiên.

Nhiều thập kỷ sau, các nhà khoa học tiếp tục khám phá những cái nhìn sơ lược về trí thông minh của máy móc, mặc dù câu hỏi "máy móc có thể suy nghĩ được không?" vẫn khơi dậy cuộc tranh luận rộng rãi nhất.

Điều đáng chú ý là, trái với suy nghĩ của nhiều người, không phải tất cả các vật mang trí tuệ nhân tạo đều là robot hình người hoặc hệ điều hành tuyệt vời với giọng nói của Scarlett Johansson. Hãy cùng điểm qua các kỹ năng cơ bản vốn có của AI.

Giải pháp của các vấn đề

Một trong những phẩm chất cơ bản của AI là khả năng giải quyết vấn đề. Để tạo cho cỗ máy khả năng này, các nhà khoa học đã trang bị cho nó các thuật toán bắt chước suy nghĩ của con người và sử dụng các khái niệm xác suất, kinh tế học và thống kê.

Các phương pháp tiếp cận bao gồm các mô hình lấy cảm hứng từ mạng lưới thần kinh trong não, sức mạnh của máy học và nhận dạng mẫu, và các phương pháp thống kê sử dụng các công cụ và ngôn ngữ toán học để giải quyết vấn đề.

Máy học

Một điểm cơ bản khác của AI là khả năng học hỏi của một cỗ máy. Cho đến nay, không có cách tiếp cận duy nhất nào theo đó một máy tính có thể được lập trình để nhận thông tin, thu nhận kiến ​​thức và điều chỉnh hành vi cho phù hợp - đúng hơn, có một số cách tiếp cận dựa trên thuật toán.

Một trong những phương pháp quan trọng của học máy là cái gọi là học sâu, một phương pháp AI dựa trên lý thuyết thần kinh và bao gồm các lớp phức tạp của các nút liên kết với nhau. Trong khi Siri của Apple là một ví dụ về học sâu trong hành động, Google gần đây đã mua lại DeepMind, một công ty khởi nghiệp chuyên về các thuật toán học AI tiên tiến; Netflix cũng đang đầu tư vào học sâu.

xử lý ngôn ngữ

Xử lý ngôn ngữ tự nhiên (NLP) cung cấp cho máy khả năng đọc và hiểu ngôn ngữ của con người, cho phép giao tiếp giữa người và máy.

Các hệ thống như vậy cho phép máy tính dịch và giao tiếp thông qua xử lý tín hiệu, phân tích cú pháp, phân tích ngữ nghĩa và ngữ dụng (ngôn ngữ trong ngữ cảnh).

Chuyển động và nhận thức

Loại trí thông minh gắn liền với chuyển động và nhận thức có liên quan chặt chẽ với người máy, mang lại cho cỗ máy không chỉ nhận thức mà còn cả trí tuệ giác quan. Điều này có thể thực hiện được nhờ đầu vào điều hướng, công nghệ bản địa hóa và các cảm biến như máy ảnh, micrô, sonars và nhận dạng đối tượng. Trong những năm gần đây, chúng ta đã thấy những công nghệ này đã có trong nhiều robot, tàu thám hiểm đại dương và không gian.

trí tuệ xã hội

Các kỹ năng về cảm xúc và xã hội đại diện cho một cấp độ trí tuệ nhân tạo tiên tiến khác cho phép cỗ máy mang nhiều phẩm chất của con người hơn nữa. Ví dụ, SEMAINE nhằm mục đích cung cấp cho máy móc những kỹ năng xã hội như vậy thông qua thứ mà nó gọi là SAL, hoặc "thính giác nhân tạo". Đây là một hệ thống hội thoại tiên tiến, nếu có thể hoàn thiện, nó sẽ có thể cảm nhận được nét mặt, dáng vẻ và giọng nói của một người, điều chỉnh cho phù hợp.

Sự sáng tạo

Khả năng suy nghĩ và hành động sáng tạo là một đặc điểm nổi bật của con người mà nhiều người cho là vượt trội so với khả năng của máy tính. Tuy nhiên, là một khía cạnh của trí thông minh con người, sự sáng tạo cũng có thể được áp dụng cho trí tuệ nhân tạo.

Người ta nói rằng máy móc có thể được tạo cơ hội để tạo ra những ý tưởng sáng tạo và có giá trị thông qua ba mô hình: tổ hợp, khám phá và biến đổi. Điều này sẽ được thực hiện chính xác như thế nào - chúng ta sẽ xem trong tương lai. Rốt cuộc, cỗ máy AARON đã tạo ra các tác phẩm nghệ thuật cấp bảo tàng.

Shelly Carson, một thành viên của khoa tâm lý học tại Đại học Harvard, cho biết: Ngẫu hứng như một hoạt động của con người là “một nguyên mẫu của hành vi sáng tạo”. Trong cuốn sách Bộ não sáng tạo của bạn, cô ấy viết rằng ở cấp độ cơ bản, mỗi người trong chúng ta đều có thể ứng biến, vì có nhiều tình huống trong cuộc sống đòi hỏi điều đó. Ví dụ, trên đường, bạn cần phải ngay lập tức đưa ra quyết định đúng đắn duy nhất để tránh va chạm. Trong trường hợp này, một người đề cập đến kinh nghiệm của mình. Nhưng ngẫu hứng sáng tạo là một cái gì đó hơn thế nữa, nó tạo ra những ý tưởng bất ngờ mới.

Bức tranh của Aaron

Người máy AARON, được tạo ra bởi nghệ sĩ nổi tiếng Gorald Cohen. Phát minh của ông, ở cấp độ thấp nhất, đã tính toán các thuật toán để tạo ra các đường thẳng và hình dạng mà từ đó các bản vẽ được tạo ra. Sau đó, một nghệ sĩ robot tiên tiến hơn có tên Hành động Jackson người đã vẽ những bức tranh tương tự như các tác phẩm của Jackson Pollock. Và mặc dù cuộc tranh luận về giá trị nghệ thuật của những tác phẩm như vậy không lắng xuống cho đến bây giờ, sự thật vẫn là robot có thể tạo ra.

Hơn nữa, một số dạng trí tuệ nhân tạo hiện đại dường như có thể đạt được thành công lớn. Ví dụ, Siri cho iPhone không chỉ xử lý giọng nói tự nhiên của con người mà còn thích ứng với từng người dùng riêng lẻ, nghiên cứu tính cách và thói quen của họ; và siêu máy tính "Watson" của IBM đã giành được một triệu đô la trong "Trò chơi của anh ấy". Những cỗ máy hoàn hảo như vậy sẽ không thể xử lý ngẫu hứng sao?