مغز/ذهن ماشینی 🔲 ماروین مینسکی، استاد شناخته شده #هوش_مصنوعی MIT در ویدیوی فوق درباره الگوی ماشینی مغز و امکان ساخت تمام حالات ذهنی آگاهانه در قالب پردازش های سطوح بالای کامپیوتری صحبت می کند. 🔲 این نگرش بطور کلی در چارچوب #کارکردگرایی_ماشینی مطرح می شود که فرآیندهای پیچیده پردازش داده ها را تأمین کننده تجربه های سابجکتیو در #مغز و #روبات و ... می داند. 🔲 ند بلاک در قالب آزمایش فکری #آدمک_چینی در مقابل این دیدگاه استدلال می‌کند: تصوّر کنید تمام جمعیت چین، یک ذهن انسان را شبیه‏ سازی می‏ کنند (هرکدام از یک میلیارد جمعیت چین، نماینده یک نورون مغز باشند). به تمام شهروندان چینی بیسیم‌هایی داده شده که آن‏ها را با یکدیگر مرتبط می‏ سازد. مردم همچنین از طریق بیسیم به یک بدن مصنوعی مرتبط هستند که از طریق آن می‏ توانند محرّک‏های حسّی را دریافت کنند و سیگنال‏های خروجی را برای تولید رفتار فیزیکی به آن برسانند. 🔲 طبق کارکردگرایی ماشینی باید نتیجه گرفت که چنانچه انتقال‏های درست با یکدیگر و با ورودی‏ها و خروجی‏ها شبیه‏ سازی شود، آن‏ها در مجموع یک ذهن آگاه به شمار خواهند آمد. ولی این نتیجه، اگر نگوییم یاوه‏، لااقل خلاف شهود است. 🔲 برخی کارکردگرایان حاضر به پذیرش نتیجه شده‏ اند که مغز چینی (یا یک روبات برنامه‏ نویسی شده)، واقعاً دارای حالات ذهنی حقیقی است. 🔲 ولی آزمون فکری فوق خیلی‏ها را متقاعد کرد که #کارکردگرایی به افراط رفته است. (Arkoudas & Bringsjord, 2014, The Cambridge Handbook of AI.) مهمترین مباحث فلسفی ذهن/نفس و علوم شناختی را اینجا ببینید: @PhilMind

🥇یک پاسخ که خود جان سرل به استدلال #اتاق_چینی👆 داده، «جواب روبات» است. این جواب می‏گوید هرچند یک کامپیوتر محض، درک ندارد ولی اگر خروجی کامپیوترها با هدایت رفتار یک #روبات مورد استفاده قرار گیرد، آن‌گاه واجد معناشناسی و درک خواهد بود. 🥈مثلاً وقتی یک کامپیوتر به پرسش «چه می‏کنید اگر بوی دود سیگار استشمام نمایید؟»‌ پاسخ خواهد داد: «ترک اتاق»؛ بدون آن‏که درکی از این پاسخ داشته باشد. اما فرض کنید که یک روبات، حسّ‏گر بو داشته باشد و فرض کنید می‏تواند پاسخ مناسبش را به مکانیسم‏هایی منتقل نماید که آن را برای ترک اتاق حرکت بدهد. ممکن است چنین روباتی می‏فهمد چه می‏کند. 🥉پاسخ سرل به جواب روبات اینست (با تغییر و بازسازی):‌ سناریویی را تصوّر کنید که او درون اتاق چینی است که در واقع درون یک روبات قرار دارد. او دقیقاً مانند سناریو براساس دفترچه راهنما عمل خواهد کرد. اما اکنون – بطور نادانسته – نه فقط سخنان روبات بلکه رفتارهای متناسبش را هم شکل خواهد داد. مثلاً فرض کنید در دفترچه راهنما به او نشان داده شده که وقتی فلان دسته از نمادهای چینی را دریافت کرد، اهرم‌های شماره 1 و 3 و 4 را در جهت بالا به پایین حرکت بدهد. فرض کنید تکان‌دادن این اهرم‌ها باعث انجام حرکات شادی از طریق دست و پای روبات خواهد شد. سرل که داخل روبات نشسته البته همچنان نه معنای جمله شادی‌بخش به زبان چینی را که برایش فرستاده شده بود درک کرده و نه واقعاً دارای حس و حال شادی و هیجان است. او در این سناریو نیز همچنان هیچ درکی از معنا ندارد و نتیجه می‏گیرد روبات‌ها هم مانند کامپیوترها، فاقد #حیث_التفاتی‌ اند. @PhilMind

🧸 با وجود اهمیت ایده #بدن_مندی در #هوش_مصنوعی،‌ بسیاری از محققان قبول ندارند که بدن‏مندی در #آگاهی_ماشین، محوریت دارد. یک معیار پیشنهادشده این است که ماشین آگاه، علاوه بر بدن‏مندی (یا بجای آن)، نیازمند یک عالَم درونی است که غالباً مترادف با "تخیل‏داشتن"، لحاظ می‏شود. در حالی که توافق وسیعی در مورد محوریت تخیّل (Imagination)‌ برای پروژه آگاهی ماشین وجود دارد، پرسش‏هایی در این‏باره باقی مانده که تخیّل و تصوّر از چه مؤلفه‏هایی تشکیل شده و چطور با #آگاهی ارتباط دارد؟ 🧸 یکی از تلاش‏های مفصّل، در کار هسلو و جیرنهد (Hesslow & Jirenhed) دیده می‏شود. رویکرد آن‏ها بر فرضیه شبیه‏سازی هسلو تکیه دارد که استدلال می‏کند معنای این جمله که می‏گوییم "یک عامل، دارای عالَمی درونی است"، آنست که می‏تواند تعاملاتش با جهان خارج را تا حدّی کافی «شبیه‏سازی» کند. این دو اعتقاد دارند می‏توان استدلال آورد #روبات ایده‏آل که توانایی استفاده از ظرفیت‏های شبیه‏سازی را جهت تصوّر تعاملاتش با جهان خارج دارد، حیات درونی و بنابراین یک آگاهی ابتدایی هم دارد. 🧸 کریسلی و پارت‏مور (Chrisley & Parthemore) نیز چشم‏انداز دیگری ارائه می‏دهند. برنامه این‏دو (با عنوان پدیدارشناسی نحوی: Synthetic Phenomenology) از بدن‏مندی و مکان‏مندی روبات برای مشخّص‏سازی حالات درونی بهره می‏گیرد. آن‏ها با اتّخاذ یک رویکرد حسّی حرکتی (sensory-motor approach)، آگاهی را در بردارنده توانایی پیش‏بینی یا تصوّر ورودی‏های حسّی فرض می‏کنند که باید برای حرکت به هر سمتی، دریافت بشود. 🧸 حداقل سابجکتیویتی در نظریه کیورستِین (Kiverstein) با عنوان "دیدگاه حسّی حرکتی دینامیک" (Dynamic Sensory Motor: DSM) فقط نیازمند تمرین مهارت‏های حسّی حرکتی ماشین است. او اعتقاد دارد آگاهی ماشین از تمرین غلبه نظم‏های حسّی حرکتی ناشی می‏شود و در صدد است با استدلال‏هایی پیچیده نشان‏ دهد چگونه یک عامل با تمرین معرفت حسّی حرکتی متناسب، دارای یک منظر اوّل شخص و بنابراین، آگاهی از خودش (بعنوان دارنده تجربه) خواهد بود. در حالی‏که روبات هِسلو، علاوه بر آن، تعاملات حسّی حرکتی با جهان خارج را هم شبیه‏سازی می‏کند. 🧸 البته تردیدهایی درباره خروجی پروژه آگاهی ماشین وجود دارد؛ برینگسجورد (Bringsjord) تردیدی عمیق بر پایه این دیدگاه خویش که هیچ معیار صوری شفّافی برای آگاهی ارائه نشده، اظهار کرده. او البته شک دارد که اساساً چنین معیاری بتواند فراهم آید. 🧸 تورنس (Torrance) اما زمینه متفاوت دیگری برای تردید در این‏باره دارد و شاید کمتر از برینجستورد نیز مورد توجّه قرار گرفته است؛ طبق دیدگاه وی، اکثر محقّقین آگاهی ماشین، در تصدیق و اذعان به محوریت پدیدارشناسی (جنبه اول‌شخص و سابجکتیو) برای آگاهی، قصور می‏ورزند. او مفهوم فربه (Thick) آگاهی را در برابر مفهوم لاغر (Thin) قرار می‌دهد که شبیه تفکیک آگاهی پدیداری از آگاهی دسترسی (توسط ند بلاک) است. 🧸 مفهوم لاغر، آگاهی را بمثابه یک لایه فوقانی بر روی جنبه‏های فیزیکی یا کارکردی می‏بیند. اکثر رویکردهای فیزیکالیستی به آگاهی و تردیدها درباره آگاهی ماشین، در چارچوب همین مفهوم لاغر شکل گرفته است. این مفهوم به مهندسان اجازه می‏دهد که ادّعا کنند شرایط موفّقیت پروژه آگاهی ماشین (مثلاً مدل‏های کارکردگرایانه نسبتاً آسان)، امکان‌پذیر است. حال آن‏که مفهوم فربه آگاهی، شرایط موفّقیت بسیار پیچیده‏تری را پیش رو می‏گذارد. دومی را شاید بتوان به تبعیت از جان سرل در تفکیک هوش مصنوعی قوی و ضعیف، آگاهی قوی ماشین (Strong MC) نامید. 🧸 با این اوصاف، مادام که پروژه آگاهی ماشین، مفهوم فربه/ پدیداری آگاهی را به مفهومی لاغر/ کارکردگرایانه تقلیل می‌دهد، ناامیدکننده بنظر می‌رسد. See: Robert Clowes, Steve Torrance, Ron Chrisley, 2007, "Machine Consciousness, Embodiment and Imagination", Journal of Consciousness Studies, 14, No. 7, pp. 7–14. @PhilMind

❄️ دونالد هافمن - استاد شناخته‌شده دانشکده #علوم_شناختی دانشگاه ایروین کالیفرنیا - از فواید و ناکارآمدی‌های #نظریه_محاسباتی_ذهن (Computational Theory of Mind: CTM) می‌گوید👆 ❄️ اشکالات مختلفی در کانتکست فلسفی علیه #نظریه_محاسباتی مطرح شده؛ از جمله آزمون #اتاق_چینی از سوی #جان_سرل که درک معنا و #حیث_التفاتی را در رویکرد محاسباتی و #هوش_مصنوعی زیر سؤال می‌برد، و اشکال #مسئله_چارچوب (frame problem) یا حس عمومی (common sense) از سوی #هیوبرت_دریفوس که #تجربه_پدیداری را پیشامفهومی و فراتر از معرفت‌های گزاره‌ای می‌داند. ❄️ هافمن در اینجا از تقلیل یا تبیین کارکردگرایانه در رویکرد محاسباتی سخن می‌گوید. طبیعتاً اگر #آگاهی را اینهمان با/ یا حتی برآمده از کدهای برنامه‌ای و کارکردها در مغز بدانیم، مدل‌های محاسباتی و رویکردهای رفتارگرا در ساخت #روبات می‌تواند نویدبخش چشم‌انداز #هوش_مصنوعی_قوی و تولید مصنوعی آگاهی باشد. اما اگر استدلال‌ها علیه این تبیین کارکردی را قابل توجه بدانیم، باید بدنبال رویکردهای جایگزین در هوش مصنوعی و #آگاهی_ماشین باشیم که - برخلاف #پیوندگرایی - مجددا ذیل رویکرد محاسباتی قرار نگیرد. @PhilMind

❓#هوش_مصنوعی از یک ایده جذاب در کنفرانس کالج دارموث (۱۹۵۶) آغاز گردید: #مغز می‏تواند بمثابه یک پردازشگر اطلاعات لحاظ شود. دیدگاه #پردازش_اطلاعات چشم‏انداز جدیدی را درباره مغز ایجاد کرد و شبکه‏های نورونی را بمثابه دستگاه‏هایی مطرح ساخت که قادر به حفظ و انتقال اطلاعات هستند. ❓در نتیجه پرسش مهندسان هوش مصنوعی این شد که مغزهای زنده به چه نوعی از پردازش اطلاعات نیاز دارند تا رفتارهای هوشمندانه عجیبی که ما معمولاً در ارگانیسم‏ها می‏بینیم را بروز دهند؟ مثلاً چه ساختارها و فرآیندهای اطلاعاتی لازم است تا چهره یک شخص را در کسری از ثانیه بیرون بکشد؟ چه نوعی از پردازش اطلاعات ضرورت دارد تا یک جمله زبان طبیعی را با تمام ابهامات و ساختار نحوی پیچیده‏اش، تجزیه و تفسیر کند؟ طرحی برای دستیابی به یک عملکرد تعاملی پیچیده، چگونه برنامه‏ریزی و چطور اجرا و تنظیم می‏شود؟ ❓در ابتدا این‏گونه تصوّر می‏شد که شاید برخی اصول ساده و عمومی – مانند معادلات نیوتن – وجود داشته باشد که تمامی جنبه‏های هوش را تبیین کند. اما بتدریج آشکار گردید که هوش با حجم سنگینی از اطلاعات بشدت پیچیده و پردازش‏های چندلایه سروکار دارد. ❓البته با این وجود، بسیاری از محقّقان هوش مصنوعی در رشته‏های فلسفه، #نوروساینس و روان‏شناسی اعتقاد ندارند که چنین حجمی از پیچیدگی برای دستیابی به هوش مصنوعی، ضرورت داشته باشد. آن‏ها امیدوار به برخی میان‏برها هستند که عملکرد سخت سیستم بینایی امروز – با استفاده از تعداد بسیار زیاد الگوریتم‏ها و محاسبات سنگین جهت فیلتر و بخش‏بندی و جمع‏آوردن جریان‏های ورودی و تنظیم آن‏ها - را دور بزند. یا مثلاً برخی از آن‏ها اعتقاد دارند پردازش‏های زبانی نمی‏توانند پیچیده باشند؛‌ چون توسّط مغزهای ما بدون زحمت و با سرعت عالی انجام می‏گیرد. ❓در مقابل برخی مهندسان هوش مصنوعی بر موضوعیت پردازش‌های پیچیده اصرار دارند و می‌گویند شاید ما به زمان بیشتری نیاز داشته باشیم تا همگان بر این تمرکز کنند که فرآیندهای پیچیده پردازش اطلاعات، چگونه می‏توانند باشند (بجای آن‏که استدلال کنند آیا فرآیند پردازش اطلاعات با مطالعات هوش مرتبط هست یا نه). ❓در برابر دیدگاه‌های اطلاعاتی، جان سرل – فیلسوف شناخته‌شده - یک تمایز مهم بین نیروهای علّی سیستم عصبی برای تولید حالات ذهنی با نیروهای علّی سیستم عصبی برای تولید روابط ورودی – خروجی را برجسته می‌سازد. او اوّلی را نیروهای علّی پایین به بالای مغز می‏نامد و درباره غلط‏بودن این ایده که دومی برای ذهن‏مندی موضوعیت دارد، استدلال می‏آورد. وجود علیّت ورودی – خروجی، #روبات را قادر به کارکردهای عملی در جهان می‏گرداند. چنین روباتی می‌تواند یکسری رفتارها و کارکردهای شبیه انسان را از خود به نمایش بگذارد. اما به تعبیر سرل، این‌ها دلالتی بر وجود علیّت پایین به بالا – که حالات ذهنی را ایجاد می‏کند – ندارد. بلکه یک روبات موفّق می‏تواند بکلّی زامبی (فاقد حالات درونی) باشد. ❓بدین‌ترتیب برخلاف نگرش‌های کارکردگرایانه که صرفا بر پردازش اطلاعات ورودی و خروجی تمرکز کرده و ماده سازنده پردازشگر سیستم را فاقد اهمیت می‌داند، نوظهورگرایانی مانند سرل برای بیوشیمی مغز و ساختار شکل‌دهنده آن موضوعیت قائل‌اند که علت بروز #آگاهی در سطحی #نوظهوریافته می‌شود. ❓هرچند که بنظر می‌رسد علاوه بر ساختار نوروبیولوژیک، الگوی پردازش‌های اطلاعاتی نیز در ظهور #آگاهی_پدیداری دخالت دارد و نوظهورگرایان باید بسمت دیدگا‌ه‌هایی بروند که ظهور و جهش آگاهی را بر پایه‌ای مرکب از ساختار پردازشگر و الگوی پردازش تعریف می‌کند؛ چه مانند سرل این آگاهی نوظهوریافته را همچنان پدیده‌ای فیزیکی در نظر بگیریم (نوظهوریافتگی ضعیف) یا پدیده‌ای غیر فیزیکی (نوظهوریافتگی قوی). @PhilMind

💥ادعای C را در نظر بگیرید: C : یک کامپیوتر الکترونیکی دیجیتال نمی‏تواند به هیچ گونه‏ای برنامه‏ریزی شود که آن‏چه مغز ارگانیک انسانی با نیروهای خاص علّی‏اش تولید می‏کند را تولید نماید: کنترل حرکات، هوش، و فعالیت‏های التفاتی که توسط انسان‏های نرمال به نمایش در می‏آید 💥این دیدگاه نمی‌گوید هر ابژه مادی (غیر از مغز ارگانیک)، فاقد نیروی علّی برای تولید پدیده ذهنی است و نمی‌گوید نیروهای علّی #مغز، ربطی به #برنامه_نویسی و اجرای آن ندارند. بلکه صرفاً به نحو تجربی و عملی بعید می‌داند که برنامه‏نویسی – هرچقدر هم درست باشد - بتواند بر روی چیزی غیر از مغزهای ارگانیک اجرا شود. 💥این جدید نیست که مغز، شواهد بسیاری به دست می‏دهد که دارای ساختار پردازش موازی سنگین است؛ با میلیون‏ها – اگر نگوییم میلیاردها – کانال که همگی می‏توانند فعالیت‏ همزمان داشته باشند. بنابراین به نظر می‌رسد نیروی علّی‏ای که برای کنترل حرکات و هوش و فعالیت‏های التفاتی لازم است، از طریق یک پردازشگر موازی پرظرفیت (مانند مغز انسانی) قابل دستیابی است. 💥اما طرفداران #کارکردگرایی و رویکردهای رایج در ساخت #هوش_مصنوعی، همچنان دلیلی نمی‌بینند که چرا این پردازشگر موازی پرظرفیت باید حتماً از مواد ارگانیک ساخته شده باشد. در نگاه ایشان، سرعت انتقال در سیستم‏های الکترونیکی، بسیار بیشتر از سرعت انتقال در فیبرهای نورونی است؛ بنابراین سیستم الکترونیکی می‏تواند هزاران برابر سریعتر (و قابل اعتمادتر) از سیستم ارگانیکی باشد. 💥ولی شاید این فرضیه‌ها چندان هم درست چیده نشده‌اند. سرعت پردازش مغز، 10 به توان 15 عملیات در ثانیه است که حتی در مقایسه با سرعت عملیاتی هسته‏های پردازشگرهای موازی نوین، قابل توجه است. 💥سجنوسکی گمان می‌کرد ما نیازمند شیفت به محاسبات بصری (Optical Computation) هستیم. در حالی که اگر محاسبات بصری بتواند سرعت عملیاتی چشمگیری را با هزینه معقول برای ما فراهم سازد، باز شاید کافی نباشد. محاسبات سجنوسکی نشان می‏داد که اگر مغز استفاده حداکثری از ظرفیت خویش ببرد، چه بسا تخمین نیازمندی‏ها برای رقابت با سرعت پردازش مغز نادرست از آب درآید. 💥سجنوسکی با در نظر گرفتن فاکتور سرعت پردازش موازی می‌گفت شاید لازم باشد به سمت محاسبات ارگانیک برویم. اما صرفنظر از سرعت پردازش، شاید اصلاً مسئله چیز دیگری است. این احتمال را می‌توان در نظر گرفت که #بیوشیمی و ساختار مولکولی نورون‏ها نیز در عملیات پردازش اطلاعات و تولید #حالات_ذهنی دخیل باشد. 💥#سرل فرض می‏گیرد که یک تمایز واضح بین نیروهای علّی مغز برای تولید «حالات ذهنی» و برای تولید «روابط ورودی – خروجی» وجود دارد. او اوّلی را نیروهای علّی پایین به بالای مغز می‏نامد و درباره غلط‏بودن این ایده که دومی برای ذهن‏مندی موضوعیت دارد، استدلال می‏آورد. وجود علیت ورودی – خروجی، #روبات را قادر به کارکرد عملی در جهان می‏گرداند و البته دلالتی بر وجود علیت پایین به بالا – که حالات ذهنی را ایجاد می‏کند – ندارد. یک روبات موفق می‏تواند بکلی #زامبی باشد. @PhilMind