🔻#محاسبات_شناختی - بعنوان یکی از رویکردهای معاصر در #هوش_مصنوعی - شامل روباتیک شناختی، روباتیک توسعه‏یافته، سیستم‏های محاسبه خودآگاه و ... است. 🔻#روباتیک در روزهای اول پیدایش، با مسئله «چگونگی انجام عملکردها» پیوند می‏خورد و غالباً ‌زیرمجموعه رشته مهندسی مکانیک قرار داده می‏شد. در سالیان اخیر اما تأکید بر روی انتخاب عملکرد رفته است؛ یعنی «تصمیم‏گیری» درباره اینکه «چه عملی انجام گیرد». 🔻روباتیک توسعه‏یافته نیز - که بسیار به روباتیک شناختی مربوط است - #یادگیری_ماشین و روان‏شناسی توسعه‏یافته را با هم تلفیق می‏کند. ایده این تحقیقات، توانمندسازی روبات‏ها برای «یادگیری» مستمر است. چنین یادگیری‏ای باید روبات‏های شناختی را برای عملکرد در محیطی بسیار پیچیده و بسیار دینامیک با احتمالاتی فراوان، توانمند سازد. 🔻رون برچمن (Ron Brachman) در توضیح مطلب می‏گوید: «یک سیستم شناختی واقعی باید بتواند تبیین کند که در حال انجام چه کاری بوده و چرا؟ این به قدر کافی خردمندانه خواهد بود اگر "بداند" چه زمانی در حال فروافتادن در یک بن‏بست است و چه زمانی نیاز به درخواست اطلاعاتی دارد که از طریق استدلال بیشتر، قابل دستیابی نیست. با به‏کارگیری چنین ظرفیت‏هایی قدرت مقابله‏ای بلوغ‏آمیز با شرایط پیش‏بینی نشده را داراست». 🔻چالش عمیق در این تعاریف و رویکردها اما پسوند «شناختی» است که همچون صفتی رایج و مدشده، برای طیف وسیع و بی‌مرزی از پدیده‌ها و خصوصیات بکار می‌رود. آیا «تصمیم‌گیری» (در #روباتیک_شناختی)، «یادگیری» (در #روباتیک_توسعه_یافته)، و «دانستن» (در توضیح برچمن) دارای جنبه‌ای سابجکتیو و پدیداری هم هست یا صرفاً در قالب یکسری رفتارها و خروجی‌های قابل مشاهده از منظر سوم‌شخص سنجیده و تعریف می‌شوند؟ آنچه عملا در حوزه فنی هوش مصنوعی جریان دارد و حتی محققان و مهندسان این حوزه بر آن اصرار دارند، در همین حد است. 🔻اگر ماشین بتواند از بین چند گزینه عملکرد در شرایط s1، گزینه درست را به معرض نمایش بگذارد، واجد «تصمیم‌گیری» دانسته می‌شود. و اگر عملکرد درست در محیط‌های بسیار پیچیده دینامیکی (با احتمالات فراوان) را به اجرا درآورد، متصف به «یادگیری مستمر» خواهد شد. و خروجی‌های محاسباتی و رفتاری در راستای دریافت اطلاعات بیشتر و پرهیز از گیرافتادن در بن‌بست، به معنای «دانستن» ماشین نسبت به شرایط مختلف مواجهه تلقی می‌شود. 🔻اما تمام این حالات شناختی (تصمیم‌گیری، دانستن، یادگیری، ...) علاوه بر جنبه‌های کارکردی و رفتاری، دارای یک جنبه درونی هم هستند که از منظر اول‌شخص فاعل شناسا تجربه می‌شود. روباتیک شناختی با تمام هیجان و کاربردهایی که دارد، اما عمیقاً مبتنی بر رویکرد تورینگی (تمایزناپذیری رفتاری و زبانی) است که ماشین "تفکرکننده" را در حد ماشین "عمل‌کننده مشابه انسان خردمند" تقلیل می‌دهد. فارغ از اینکه چنین اعمالی آیا مبتنی بر جهان پدیداری تفکر و تجربه سابجکتیو آن هم هست یا نه؟ آیا مشابهت با عامل انسانی از منظر پدیداری و درونی هم برقرار است؟ 🔻استدلال‌های مختلف فلسفی (مانند استدلال اتاق چینی از جان سرل) نشان دادند که متد تمایزناپذیری رفتاری، علی‌الاصول و فی‌نفسه نمی‌تواند دربردارنده چنین جنبه‌ای باشد. بدین ترتیب چه بسا استعمال پسوند «شناختی» برای این روبات‌ها کمی سخاوتمندانه و بلکه اسراف‌آمیز به نظر می‌رسد (هرچند که این روزها در مورد بسیاری پدیده‌ها و پروژه‌ها و رویکردها رواج دارد). 🔺کما این‌که خود «هوش» هم از این منظر دچار یک تقلیل بزرگ پدیدارشناختی بوده است. البته مادام که هوش مصنوعی را چیزی شبیه این تعریف کنیم، انتظار بیشتری هم نباید داشت: «یک حوزه تخصصی برای ساخت مصنوعاتی با توانایی نمایش رفتارهای تحت کنترل در محیط‏های مختلف و دوره‏های زمانی پایدار» (برینگسجورد، 2014) @PhilMind

💥صوت اولین نشست از مجموعه جلسات فلسفه هوش مصنوعی، با ارائه دکتر کاظم فولادی قلعه و موضوع «چیستی و تاریخچه #هوش_مصنوعی» 📍دانشکدگان فارابی دانشگاه تهران 📅 سه‌شنبه ۲۳ آبان @PhilMind

💥صوت دومین نشست از مجموعه جلسات فلسفه هوش مصنوعی، با ارائه دکتر مهدی همازاده ابیانه و موضوع «نظریه‌های #آگاهی در #هوش_مصنوعی» 📍دانشکدگان فارابی دانشگاه تهران 📅 سه‌شنبه ۷ آذر @PhilMind

فراز و فرود هوش مصنوعی ۱ 🚩 #هوش_مصنوعی از این ایده جذاب که در کنفرانس دارموث (۱۹۵۶) بیان گردید، آغاز شد: مغز می‏تواند بمثابه یک #پردازشگر_اطلاعات، لحاظ شود. کامپیوتر، مثالی از یک پردازشگر اطلاعات است؛ ولی مفهوم پردازشگر اطلاعات، وسیع‏تر است. دیدگاه #پردازش_اطلاعات، چشم‏انداز جدیدی را درباره #مغز ایجاد کرد؛ نورون‏ها یا #شبکه_نورونی بعنوان دستگاه‏هایی لحاظ می‏گردند که قادر به حفظ و انتقال اطلاعات هستند. جالب است که شیفت از دیدگاه الکتریکی – بیوشیمیایی به دیدگاه پردازش اطلاعات، همزمان با تغییر در سایر حوزه‏های زیست‏شناسی اتفاق افتاد و بطور خاص زیست‏شناسی ژنتیک و مولکولی کلید خورد که بر اطلاعات تأکید می‌کرد؛ بگونه‏ای که ژنوم را بصورت یک برنامه در نظر می‏گرفت که بوسیله ماشین سلولی تفسیر می‏شود. دیدگاهی که امروزه غالب شده است. 🚩 هوش مصنوعی مستقیماً پرسش از پردازش اطلاعات نورونی را دنبال نمی‏کند؛‌ بلکه در موضع طراحی است. پرسش هوش مصنوعی اینست که: مغزهای زنده به چه نوعی از پردازش اطلاعات نیاز دارند تا رفتارهای هوشمندانه عجیبی که ما معمولاً در ارگانیسم‏های زنده می‏بینیم را بروز دهند؟ مثلاً چه ساختارها و فرآیندهای اطلاعاتی لازم است تا چهره یک شخص را از جریان تصاویر بصری 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 کند و در قالب صحنه ادراک شده، تفسیر نماید؟ طرحی برای دستیابی به یک عملکرد تعاملی پیچیده، چگونه برنامه‏ریزی و چطور اجرا و تنظیم می‏شود؟ 🚩 مشاهدات نورونی و روان‏شناختی – تخیلات مغز،‌ اختلالات مغز، تأثرات از سنّ و سال، و غیره – می‏توانند به ما بگویند که بخش‏های خاصی از مغز، درگیر وظایف شناختی اختصاصی هستند؛ ولی نمی‏توانند بگویند چرا انواع ویژه‏ای از پردازش‏ها نیاز است؟ برای یافتن این پاسخ، باید فرآیندهای جایگزین را امتحان کرد (حتی اگر چنین فرآیند‏هایی در طبیعت اتفاق نمی‏افتند) و تأثیرات آن‏ها را در عمل ببینیم. 🚩 دیدگاه پردازش اطلاعات، یک انقلاب حقیقی در مطالعات ذهن محسوب می‌شد. سال‌های اولیه هوش مصنوعی، سرشار از موفقیت‏ها در یک مسیر محدود بود. از همان ابتدا،‌ محققان هوش مصنوعی از ابراز پیش‏بینی‏ها درباره موفقیت‏های آینده این حوزه، ابایی نداشتند. جملات ذیل که توسط هربرت سیمون در ۱۹۵۷ بیان شده، نمودی از فضای امیدوارانه آن دوره است: «من نمی‏خواهم شما را شوک‏زده یا غافلگیر کنم. ولی به ساده‏ترین روش می‏توانم این‏طور بگویم که الان در جهان،‌ ماشین‏هایی وجود دارند که فکر می‏کنند، یاد می‏گیرند و خلق می‏کنند. علاوه بر این، توانمندی آن‏ها برای انجام چنین کارهایی رو به افزایش است؛ تا این‏که در یک آینده نزدیک، طیف مسائلی که می‏توانند مدیریت کنند، همسطح با طیف مسائلی باشد که ذهن انسانی، قادر به اداره آن‏هاست.» 🚩می‌توان R1 را اولین سیستم کارشناسی موفق دانست که جنبه تجاری پیدا کرد و در شرکت تجهیزات دیجیتالی (Digital Equipment Corporation) بکار گرفته شد که تا ۱۹۸۶، سالیانه حدود ۴۰ میلیون دلار برای این شرکت، کاهش هزینه به همراه داشت. دیگر تقریباً همه شرکت‏های مهم امریکایی،‌ گروه هوش مصنوعی خودشان را داشتند که در حال استفاده از یا تحقیق بر سیستم‏های کارشناسی بودند. صنعت هوش مصنوعی از حجم چند میلیون دلار در سال ۱۹۸۰ به میلیاردها دلار در ۱۹۸۸ رسید که شامل صدها شرکت ساخت سیستم‏های هوشمند،‌ سیستم‏های بینایی، روبات‏ها، و نرم‏افزار و سخت‏افزار مخصوص این اهداف بود. 🚩 اما به زودی پس از آن دوره‏ای فرارسید که «زمستان هوش مصنوعی» خوانده می‏شود؛ دوره‏ای که کمپانی‏ها بدلیل ناکامی در تحقق وعده‏های خارق‏العاده، به سقوط و افول کشیده شدند. ادامه دارد ... @PhilMind

فراز و فرود هوش مصنوعی ۲ 🚩 در اواسط دهه 1980 حداقل چهار گروه مختلف، نوعی #الگوریتم_یادگیری را بازتولید کردند که اولین‏بار در 1969 پایه‏گذاری شده بود. این الگوریتم برای بسیاری مسائل #یادگیری_ماشین و انتشار گسترده نتایج در مجموعه پردازش توزیع‏شده موازی (Parallel Distributed Processing) بکار گرفته شد که موجب شور و هیجان فراوان گردید. این مدل‏های هوش که «پیوندگرا: Connectionist» خوانده می‏شوند، بعنوان رقیب مستقیم برای دو مدل نمادی (که توسط نوِل و سیمون ارتقاء یافت) و رویکرد منطقی (که بوسیله مک‏کارتی و دیگران مطرح شد) تلقی می‏گردید. 🚩 شاید واضح بنظر برسد که انسان‏ها نیز در برخی سطوح با دستکاری نمادها کار می‏کنند، اما طرفداران پیوندگرایی می‏پرسیدند آیا دستکاری نمادها هیچ نقش تبیینی واقعی در مدل‏های جزئی‏شده شناخت دارد؟ این سؤال بدون پاسخ باقی مانده بود، هرچند دیدگاه اخیر این است که رویکردهای نمادین و پیوندگرا، مکمل همدیگر - و نه در رقیب با هم – هستند. 🚩 با جداسازی #هوش_مصنوعی از رویکرد دیجیتال، تحقیق در شبکه‏های نورونی مدرن به دو حوزه تقسیم شد که یکی با خلق ساختار مؤثر شبکه و الگوریتم‏ها و ویژگی‏های ریاضیاتی آن‏ها سروکار داشت، و دیگری با مدل‏سازی دقیق ویژگی‏های مجموعه نورون‏های واقعی.  دیگر مشخص شده بود مسائلی که ما فکر می‏کردیم مشکل باشند، از حل قضایای ریاضیاتی و بازی آبرومندانه شطرنج گرفته تا استدلال در علوم مختلف،‌ آسان بودند و کامپیوترهای دهه 60 و 70 با چندهزار فرمان در ثانیه، غالباً می‏توانستند نتایج رضایت‏بخشی را در این زمینه‏ها فراهم آورند. مسئله گریزپا اما مهارت‏هایی بود که هر بچه پنج‏ساله هم داراست؛ مثل بیان تفاوت بین یک سگ و یک گربه، یا درک یک کارتون انیمیشینی. 🚩 اواسط دهه 90 شاهد نفوذ سیستم‏هایی در مؤسسات مالی بودیم که از تکنیک‏های قدرتمند آماری و انطباقی استفاده می‏کردند. نه تنها فروشگاه‏های بزرگ توسط شبکه‏های کامپیوتری مدیریت می‏شدند، بلکه عمده تصمیمات خرید و فروش نیز بوسیله برنامه‏های نرم‏افزاری که بنحوی فزاینده شامل مدل‏های پیچیده دادوستد بودند،‌ گرفته می‏شد. 🚩 با نقش مهم و روزافزون ماشین‏های هوشمند در تمامی جنبه‏های زندگی امروزه (نظامی، پزشکی،‌ اقتصادی، مالی، سیاسی)، عجیب است کسی در این‌باره تردید داشته باشد که: «چه اتفاقی با هوش مصنوعی رخ داده است»؟ اگر تعریف ما از AI شبیه تعاریف امثال اِلین ریچ (Elaine Rich) باشد که هوش مصنوعی را معادل ماشین‌هایی می‌داند که «اعمالی را به انجام می‏رسانند که فعلاً افراد انسانی در انجام آن‏ها بهتر هستند»، باید اذعان کرد که حوزه AI به موفقیت‌های بزرگی دست یافته و آینده روشن‌تری را هم نوید می‌دهد. 🚩 اما اگر علاوه بر جنبه کارکردی که بر یکسری خروجی‌های از سنخ داده و رفتار و گفتار تکیه دارد، جنبه پدیداری و سابجکتیو هوش و آگاهی نیز مدنظر باشد، ماجرا کاملا فرق می‌کند. رویکردهای معاصر #بدنمندی (#Embodiment) و #پیوندگرایی (#Connectionism) هرچقدر که در ارائه رفتارها و کارکردهای ایده‌آل یا شبیه انسان، پیشرفت داشته‌اند، اما اساسا برای تولید و توسعه عالَم درونی و #آگاهی_پدیداری در ماشین‌ها تاسیس نشده‌اند. 🚩 امروزه البته بسیاری از مهندسان علوم کامپیوتر اصلا کاری با ساخت جنبه اول‌شخص و #تجربه_پدیداری در ماشین‌ها ندارند و صرفا بر توسعه #هوش_مصنوعی_ضعیف تمرکز دارند؛ هوشی که البته در تسهیل و تحول زندگی بشر می‌تواند نقشی بسیار اساسی ایفا نماید و کارکردهای مهمی را به منصه ظهور رساند. اما بنظر می‌رسد چشم‌انداز #هوش_مصنوعی_قوی که توسط لیدرهای این حوزه از اواسط قرن بیستم نوید داده می‌شد و همچنان از سوی برخی مهندسان و نظریه‌پردازان دنبال می‌شود، قابلیت تحقق در قالب رویکردهای رایج را ندارد. و این البته بمعنای عدم امکان علی‌الاصول تحقق چشم‌انداز مذکور از هیچ طریق دیگر نیست. @PhilMind

♦️صوت نشست سوم از مجموعه نشست‌های #فلسفه_هوش_مصنوعی، با ارائه دکتر صبرآمیز و موضوع «مسئله چارچوب و عواطف انسانی: از #هوش_مصنوعی به فلسفه»، سه‌شنبه ۲۱ آذر، دانشکدگان فارابی دانشگاه تهران @PhilMind

فرضیۀ نفس‌مندی هوش مصنوعی ⛵️برایان کاتر، استادیار دانشگاه نوتردام آمریکا، مقاله‌ای نگاشته است با عنوان «فرضیۀ نفس‌مندی #هوش_مصنوعی» که قرار است در مجلۀ ایمان و فلسفه چاپ شود. او از این فرضیه دفاع می‌کند که دست‌کم می‌توان این احتمال را که #هوش_عمومی_مصنوعی (Artificial General Intelligence) به‌معنای حقیقی نفس‌مند باشد، جدی گرفت. ⛺️ این فرضیه بر این فرض‌ها بنا شده است: 🪀ما بالاخره AGI‌ را خواهیم ساخت؛ 🪀در مورد هر موجود نفس‌مند، نظریۀ #دوئالیسم_جوهری صادق است؛ 🪀 نفس، موجودی غیرفیزیکی است. ⛵️کاتر دو استدلال به‌سود این تز عرضه کرده است: استدلال قیاس با بیگانه و استدلال دریافت‌کنندۀ مناسب. ایدۀ استدلال اول (the alien-analogy argument) این است که اگر موجوداتی متفاوت با انسان‌ها و حیوانات زمینی را بیابیم که هوش‌مند به نظر برسند، یعنی رفتارها و کارکردهای هوشمندانه داشته باشند، اما از مادۀ بدنی متفاوتی ساخته شده باشند، می‌پذیریم که آنها هم نفس‌مندند. حال اگر نفس‌مندی آنها را رد نمی‌کنیم، نمی‌توانیم نفس‌مندی ماشین هوشمند را نیز رد کنیم. ⛵️ایدۀ استدلال دوم (the fitting-recipient argument) این است: اگر #دوئالیسم جوهری درست است، آنگاه پذیرفتنی است که نفس‌مندی وقتی روی می‌دهد که سامانۀ فیزیکی مناسبی در کار باشد که دریافت‌کننده و دارندۀ آن نفس باشد. این سامانۀ فیزیکی آنگاه مناسب است که نفس بتواند کارهای خود را از طریق آن انجام دهد، و ازاین‌رو باید ظرفیت‌های مناسب رفتاری و سامانۀ کارکردی متناسبی داشته باشد. پس ماشین هوش‌مندی که همین وضعیت را دارد، همانند انسان نفس‌مند خواهد بود. به بیانی دیگر، اگر بدن خاص انسانی را به سبب آمادگی‌ها و ساختارهای ویژه‌اش نفس‌مند می‌دانیم، ماشینی را که به‌نوعی بدن هوش مصنوعی است، نیز باید نفس‌مند بدانیم. جالب اینکه کاتر از آلن تورینگ (1950:334) این ایده را نقل می‌کند که طرفدار #دوگانه_انگاری جوهری خداباور، باید امکان نفس‌مندی ماشین را بپذیرد. ⛵️کاتر در مقاله توضیح داده است که مرادش از نفس و نفس‌دار شدن چیست، ازجمله نفس‌مندی را گونه‌ای اتحاد نفس و بدن می‌‌داند که بر روابط علّی متقابل میان نفس و بدن استوار است. نیز دربارۀ شرایط از لحاظ طبیعی کافی (nomologically sufficient condition) برای نفس‌دار شدن بحث کرده است، زیرا نفس‌دار شدن مسلماً حادثه‌ای تصادفی نیست. ⛵️بر همین اساس، وی به نکتۀ مهمی اشاره کرده است: لازمۀ فرضیۀ مزبور این نیست که ما نفس‌های ماشین‌های هوشمند آینده را خلق می‌کنیم، بلکه نقش ما تنها فراهم آوردن شرایط مادی لازم برای نفس‌مند شدن است. این سخن مشابه سخن دوگانه‌انگاران جوهری است که معتقدند اگر بدن مناسبی فراهم آید، آنگاه نفسی بدان متصل می‌شود یا این بدن با نفسی ازپیش‌موجود متحد می‌گردد. ⛵️کاتر مفصلاً هر دو استدلال را صورت‌بندی کرده و دربارۀ آنها بحث کرده است. و در پایان به برخی لوازم فرضیۀ نفس‌مندی ماشین پرداخته است، مانند وضعیت اخلاقی، این‌همانی شخصی و نوع و مرتبۀ وجودی نفس‌های ماشین های هوشمند آینده. ⛱متن مقاله در philpapers در دسترس است. Cutter, Brian (forthcoming). The AI Ensoulment Hypothesis. Faith and Philosophy. 🖊 رضا درگاهی‌فر @PhilMind

📢 صوت رویداد ✳️ نشست علمی با موضوع: «#هوش_مصنوعی و خطر وجودی» از سلسله نشست‌های «#فلسفه_هوش_مصنوعی» نشست چهارم 🔺 با ارائه‌ی «دکتر محمدحسن مرصعی» دانشگاه صنعتی شریف 🗓 سه‌شنبه ۵ دی ۱۴۰۲ 📍 دانشکده مهندسی دانشکدگان فارابی دانشگاه تهران 👈 توسط دانشکدگان فارابی دانشگاه تهران با حمایت ستاد توسعه علوم و فناوری‌های شناختی @PhilMind

هوش مصنوعی یا بدن مصنوعی؟ 💧 می‌توان گفت برنامۀ پژوهشی و عملیاتی #هوش_مصنوعی در پی ساختن حیوانات مصنوعی است (یا دست‌كم چیزهایی كه به نظر می‌‌رسند حیوان‌اند). بسیاری نیز معتقدند هوش مصنوعی فعالیت ساختن اشخاص مصنوعی (artificial persons) است (یا دست‌كم چیزهایی كه به نظر می‌رسد اشخاص‌اند). هدف برنامۀ #هوش_مصنوعی_قوی، ساختن اشخاص مصنوعی است، ماشین‌هایی كه تمام توان‌های ذهنی انسان‌ها را، شامل #آگاهی_پدیداری، دارند. بنابراین هدف هوش مصنوعی قوی، ایجاد ذهن‌مندی واقعی در ماشین است. (بنگرید: مدخل هوش مصنوعی، دایرةالمعارف اینترنتی استنفورد). ⚡️ اكنون از چالش‌های پیش روی هوش مصنوعی قوی صرف‌نظر می‌كنیم و فرض می‌كنیم تحقق آن ممكن است. زین پس مراد از هوش مصنوعی، هوش مصنوعی قوی است. بر این اساس: ☄️ برخی محققان در #فلسفه_اسلامی برآن‌اند كه موافق مبانی #حكمت_متعالیه، سخن گفتن از هوش مصنوعی خطاست (یعنی دقیق نیست و كاربردی مجازی یا تسامحی است)، و باید از بدن یا مغز مصنوعی سخن گفت. 💥 مطابق حكمت متعالیه، ذهن‌مندشدن فرایندی جسمانیة الحدوث است، یعنی آنگاه كه بدن انسانی مناسبی شكل می‌گیرد، ذهن‌مندی در آن تحقق می‌یابد و موجود انسانی بدن‌مند و ذهن‌مند حاصل می‌آید. پس هوش‌مندی امری متحقق در/به‌نحوی مرتبط با بدن است. اگر تقسیم اشیا به طبیعی و مصنوعی درست و واقعی باشد، تنها می‌توان بدن مصنوعی ساخت، و تحقق بدن (یعنی جسمی كه قابلیت ذهن‌مندشدن را بالفعل دارد) همان و تحقق ذهن‌مندی در/مرتبط با آن بدن، همان. (دربارۀ علت و چگونگی این تحقق نیز نظریاتی عرضه شده است.) پس برای آنكه هوش‌مندی محقق شود، باید بدنی ویژه را فراهم آورد. نمی‌توان مستقیماً و بی‌واسطه هوش‌مندی را ایجاد كرد، بلكه باید از راه ساختن بدن متناسب بدان دست یافت. ☄️ بر این اساس پرسش از امكان هوش مصنوعی قوی، به این پرسش باز می‌گردد: آیا می‌توان جسمی، با قابلیت‌ها و پیچیدگی‌های لازم، ساخت كه هوش‌مند شود؟ به نظر نمی‌رسد محال باشد. ☀️ بنابراین اگر هوش‌مندی واقعاً در هویتی فیزیكی روی می‌دهد، نباید آن را به‌معنای دقیق کلمه، «مصنوعی» دانست، زیرا هوش‌مندی یا موجود نیست، یا واقعاً به‌نحوی برخاسته از/متحد با بدنی جسمانی است. پس هوش‌مندی همواره نامصنوع است. هوش‌مندی لازمۀ طبیعی جسم‌مندی مناسب است، بدین معنا كه اگر جسم مناسب ذهن‌مندی یا هوش‌مندی موجود باشد، ذهن یا هوش ناگزیر، با موجود بودن علل خاص خودش، موجود می‌شوند و برساخته بودن یا مصنوع بشر بودنش بی‌معناست. آنچه مصنوع بشر است، مغز یا بدن مصنوعی است. پس هوش نمی‌تواند مصنوع باشد، و تنها جسمی كه زمینۀ بروز و ظهور هوش‌مندی است، می‌تواند مصنوع بشر باشد، پس باید از بدن یا مغز مصنوعی سخن گفت. 💦 به نظر می‌رسد چندین دسته از نظریات ذهن-بدن با این تصویر می‌توانند همراه شوند، ازجمله: #دوگانه_انگاری جوهری، #كاركردگرایی، #نوخاسته‌_گرایی، همه_روان_دار_انگاری و نظریۀ نفس-بدن صدرایی. به‌طور كلی این تصویر با #فیزیکالیسم ناتقلیل‌گرا و نیز با اعتقاد به #سوپروینینس در مورد رابطۀ ذهن و بدن، سازگار است. 🖊 رضا درگاهی‌فر @PhilMind

🔻تقریبا همگان قبول دارند که انجام بعضی کارها نیازمند "هوش" است؛ مثل پیداکردن حاصل تقسیم 231 بر 42. ممکن است کسی بگوید دستگاهی دارای #هوش_مصنوعی است که بتواند برای انجام ‏چنین کارهایی توسط ما بهره‌برداری شود؛ یعنی کارهایی که توافق داریم انجام آن‏ها بوسیله انسان، مستلزم هوش است. داشتن هوش به این معنا را «هوش کاری» (task intelligence) می‏نامیم. ماشین حساب‏ها می‏توانند برای یافتن پاسخ تقسیم 231 بر 42 بکار گرفته شوند، بنابراین حتی آن‏ها هم دارای #هوش_کاری هستند. 🔻هوش کاری مصنوعی، مناقشه برانگیز نبوده و حتی آکوئیناس و دکارت هم دلیلی برای رد آن ندارند. هرچند باید توجه داشت که ماشین حساب‏ها نمی‏دانند جواب مسائل ریاضیاتی چیست و نمی‌دانند که در حال انجام عملیات ریاضی‏اند. لذا شایسته نیست که از دارابودن هوش کاری به ادعاهای بزرگتر درباره #هوش_اشیاء پل بزنیم. 🔻«هوش شیء» مقابل «هوش کاری» است؛ اگر یک دستگاه هوش مصنوعی اشیاء را داشته باشد،‌ آن‏گاه چنین دستگاهی را می‏توان به معنی واقعی هوشمند دانست. پرسش‏های مناقشه‏برانگیز معاصر از امکان هوش مصنوعی اشیاء و رویکردهای مختلف برای طراحی آن، سؤال می‏پرسند. 🔻می‏توان با وام‏گیری اصطلاح از جایگاه پمپ بنزین، بین دو گونه هوش اشیاء تمایز نهاد: اگر هوش دستگاه بگونه‏ای است که می‏داند انسان‏ها چگونه دارای هوش خودشان هستند،‌ چنین دستگاهی واجد هوش مصنوعی اعلای شیء (premium artificial thing intelligence) یا premium AI است. اما اگر هوش دستگاه بگونه‏ای باشد که نمی‏داند انسان‏ها چطور هوش خودشان را دارند، این دستگاه را دارای هوش مصنوعی عادی شیء (regular artificial thing intelligence) یا regular AI می‏نامیم. باید توجه داشت که گازوئیل عادی، واقعاً گازوئیل است. به همین ترتیب، هوش مصنوعی عادی اشیاء نیز واقعاً هوش است. 🔻جان سرل (1980) تفاوتی بین هوش مصنوعی قوی و ضعیف گذاشته بود: #هوش_مصنوعی_قوی، تزی است که می‏گوید «کامپیوترهایی با برنامه‏ریزی درست، واقعاً یک ذهن هستند. بدین معنا که کامپیوترها با برنامه‏ریزی درست، می‏توانند حقیقتاً و بمعنای سابجکتیو "درک کنند" و دیگر حالات شناختی را نیز داشته باشند». در حالی که ادعای #هوش_مصنوعی_ضعیف فقط در این حد است که کامپیوترها ابزاری مفید برای فرمولیزه‏کردن و آزمایش و انجام وظایف و رفتارهای مبتنی بر هوش هستند. 🔻این تمایز سرل را قادر ساخت تا استدلال خویش را مستقیماً و صرفاً علیه هوش مصنوعی قوی صورت‏بندی کند. ولی برای اهدافی عمومی‏تر نیازمند تمایزهای دیگری – مانند آن‏چه در این‏جا معرفی کردیم – هستیم. تمایز عادی/ اعلا به ما این امکان را می‏دهد که دو احتمال در هوش مصنوعی قوی را بازشناسی کنیم. و تمایز هوش کاری/ هوش اشیاء به ما اجازه می‏دهد تشخیص بدهیم که چالش‏های فلسفی عموماً متوجه ادعایی است که می‏گوید یک دستگاه می‏تواند خودش اصالتاً هوشمند باشد، یا حالات شناختی خاص خودش را داشته باشد. William Robinson, 2014, "Philosophical challenges", In: The Cambridge Handbook of Artificial Intelligence, pp. 85-86. @PhilMind

👇 🧩 سال‌هاست که با غلبه رویکرد محاسباتی در #علوم_شناختی، فرآیندهای انتزاعی محاسبات بعنوان زمینه تولید هوش و آگاهی به رسمیت شناخته شده و نزد بسیاری از دانشمندان و محققان این حوزه، ماده سازنده سیستم پردازشگر از اهمیت و‌ موضوعیت چندانی برخوردار نبوده است. استراتژی ساخت #هوش_مصنوعی با پیاده‌سازی #پردازش_اطلاعات بر روی سیستم‌های دیجیتالی و تراشه‌های الکتریکی و ... از همین دیدگاه نشأت گرفته است. 🧩 اما با وجود موفقیت‌ها و پیشرفت‌های کاربردی، ناکامی سیستم‌های محاسباتی در ارائه خروجی‌های شبیه انسان و چالش‌های نظری که در این‌باره قوت گرفته است، اهمیت دیدگاه‌های بیولوژیکی را توسط برخی صاحبنظران روی میز گذاشته است. سیستم‏های هوش مصنوعی در توسعه‏های اخیر بدنبال جایگزینی معدنی برای اجزای بیولوژیک آگاهی،‌ شبکه‏های مصنوعی عصبی بجای نورون‏های سلولی، و منطق فازی منعطف بجای دستورالعمل‏های مبتنی بر پروتئین و DNA هستند تا بر متریال سازنده سیستم نیز تمرکز کنند. (Pagel & Kirshtein, 2017, Machine Dreaming and Consciousness, p.30) 🧩 موضوعیت #زیست_شناسی در هوش مصنوعی البته می‌تواند به معانی مختلفی مورد بحث قرار گیرد. اگر منظور از پایه بیولوژیک آگاهی صرفا در حد جریان الکتروشیمیایی موجود در شبکه‌های نورونی باشد، شاهد استراتژی حداقلی برای تامین هوش مصنوعی شبه بیولوژیک خواهیم بود که فقط در پی جاسازی ماده شیمیایی حامل جریان الکتریکی در شبکه‌های مصنوعی است. اما چنانچه ساختار مولکولی و ژنتیک مغز نیز در تولید #آگاهی نقش داشته باشد، چالش‌های عمیق‌تری پیش روی مهندسان #AI خواهد بود. 🧩 مقاله مهمی که سه ماه پیش توسط محققان دانشگاه هایدلبرگ آلمان در محله #نیچر به چاپ رسید، نشان داد که مخچه با ساختار مولکولی و ژنتیکی خود در برخی توانایی‌های شناختی مرتبه بالاتر انسان دخالت دارد. در حالی‌که غالب دانشمندان، مخچه را بدلیل عدم وقوع پردازش اطلاعات در آن، دارای نقش خاصی در تولید آگاهی نمی‌دانستند. یافته‌هایی از این دست ضمن نوعی شیفت پارادایمی در #نوروساینس و هوش مصنوعی، چالش مهمی را نیز روی میز می‌گذارد: #ژنتیک و #DNA سلول‌های نورون طبیعی را چگونه می‌توان بنحوی مصنوعی زمینه‌سازی کرد؟ آیا صرف منطق فازی می‌تواند محقق‌کننده چنین هدفی باشد؟ 🧩 به هرحال اما نکته قابل توجه اینست که رویکرد #پیوندگرایی (#Connectionism) با تاکید بر محاسبات توزیع‌شده و پردازش موازی اطلاعات، و همچنین رویکرد #بدنمندی (#Embodiment) با تمرکز بر بدن و مواجهه مکان‌مند سیستم حسی- حرکتی با محیط، بصیرت‌های ناشی از پژوهش‌های بیولوژیک آگاهی را جدی نمی‌گیرند و بنظر می‌رسد باوجود فواید بزرگ کارکردگرایانه، در ساخت و تولید #آگاهی_مصنوعی با ابهامات و تردیدهای جدی مواجه هستند. @PhilMind