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

#هوش_مصنوعی و درک واقعیت به شیوه‌ای ناانسانی (1) 🔆 نویسندگان کتاب عصر هوش مصنوعی و آینده انسان پرسیده‌اند: آیا هوش مصنوعی به بخش‌هایی از واقعیت پی می‌برد که انسان از درک آن عاجز است؟ پاسخ ترجیحی آنها به این پرسش مثبت است؛ یعنی هوش مصنوعی، که یادگیرنده است و نوآور، به شیوۀ خودش مسائل را حل می‌کند. برای نمونه، برنامۀ شطرنج آلفازیرو در اواخر سال 2017 برنامۀ استاک‌فیش را، که نیرومندترین برنامه تا آن زمان بود، شکست داد. قدرت آلفازیرو به خاطر وسعت و سرعت پردازشش نبود؛ آفازیرو هیچ ترکیب یا راهبردی را از انسان وام نگرفته بود و به روش ویژه‌ای رسیده بود که تمامًا نتیجۀ یادگیری هوش مصنوعی بود. حرکت‌های آلفازیرو ناب و نامعمول بودند و در بیشتر موارد انسان‌ها اصلًا آنها را ندیده بودند. آلفازیرو راهبرد را به معنای انسانی خودش دنبال نمی‌کرد و منطق خودش را داشت. 🔆 نمونۀ دیگر کشف آنتی‌بیوتیک تازه‌ای در 2020 بود. هوش مصنوعی ویژگی‌هایی را از مولکول‌های آنتی‌بیوتیک شناسایی کرد که پیش‌تر برای انسان‌ها ناشناخته بودند و در هیچ‌یک از دسته‌بندی‌ها جای نمی‌گرفتند. عجیب‌تر این بود که هوش مصنوعی توانست روابطی را میان مولکول‌ها بیابد که نه‌تنها برای انسان ناشناخته بودند، که دامنۀ درک انسان را به چالش می‌کشیدند. نکته در این است که هوش مصنوعی تنها داده‌ها را سریع‌تر پردازش نمی‌کرد، بلکه جنبه‌هایی از واقعیت را می‌یافت که برای انسان ناشناخته بود یا شاید انسان هرگز بدون هوش مصنوعی نمی‌توانست بشناسد. 🔆 نویسندگان پس از نقل نمونه‌ای از متن تولید شده توسط جی‌پی‌تی3، چنین نتیجه گرفته‌اند که در این شیوۀ جدید، جنبه‌هایی اساسی از واقعیت، که انسان پیشتر نمی‌توانست آنها را درک کند، آشکار شده‌اند. آنها معتقدند هوش مصنوعی واقعیت را کاملاً متفاوت از انسان درمی‌یابد و به نظر می‌رسد عملکرد آن نوید پیشرفت به سوی ماهیت و ذات اشیا را می‌دهد؛ چیزی که فیلسوفان و متکلمان و دانشمندان طی هزاره‌ها تنها تا حدی در رسیدن بدان موفق بوده‌اند. با پیدایش هوش مصنوعی ناگزیریم با جنبه‌هایی از واقعیت روبه‌رو شویم که پیش‌تر نمی‌شناختیم یا شاید هرگز هم کاملًا نشناسیم. وقتی هوش مصنوعی مدلی را می‌آموزد و به کار می‌گیرد که هیچ انسانی نمی‌تواند آن را بیابد یا بفهمد، آیا ما به سوی دانش پیش می‌رویم یا از آن دور می‌شویم؟ تا کنون فناوری روش‌های پیشین ما را در توضیح و به نظم در آوردن جهان زیر سؤال نبرده بود. 🔆 بنابراین هستۀ دگرگونی مورد انتظار توسط هوش مصنوعی، فلسفی است؛ اینکه ما انسان‌ها چگونه واقعیت را می‌بینیم و نقش خود را در آن چه می‌دانیم. هوش مصنوعی را خواه ابزار بینگاریم، یا شریک یا رقیب، تجربۀ ما را در مقام موجودات خردمند تغییر خواهد داد و رابطۀ ما را با واقعیت برای همیشه دگرگون خواهد ساخت. هوش مصنوعی جایگرین درک انسان از واقعیت و درک انسان از خودش خواهد شد. حال این پرسش دکارتی مطرح است که وقتی هوش مصنوعی «می‌اندیشد» یا کاری شبیه اندیشیدن انجام می‌دهد، ما چه خواهیم بود؟ 📗 اریک اشمیت، هنری کیسینجر و دانیل هوتنلاکر، عصر هوش مصنوعی و آیندۀ انسان، ترجمۀ پوریا هامونی، سروش، 1402. 🖊 رضا درگاهی‌فر @PhilMind

#هوش_مصنوعی و درک واقعیت به شیوه‌ای ناانسانی (2) 🔆 توجه به این نکته مهم است که نتیجۀ به‌کارگیری هوش مصنوعی تنها رسیدن به روش‌های کارآمدتر برای انجام وظایف انسان نخواهد بود، بلکه در بسیاری موارد هوش مصنوعی راه‌حل‌ها را رویکردهایی را پیشنهاد می‌دهد که در قالب یادگیری و ارزیابی منطقی، با منطق انسان متفاوت خواهند بود. 🔆 مثلاً اگر هوش مصنوعی برای امنیت ملی به فرمانده کل قوا توصیه کند بسیاری از شهروندان را قربانی کند یا با توجه به ارزیابی‌ها و محاسبه‌های هوش مصنوعی، بعداً جان انسان‌های بیشتری حفظ شود، آیا می‌توان به این توصیه عمل کرد؟ آیا این قربانی کردن در منطق انسانی موجه است؟ آیا انسان همیشه از منطق هوش مصنوعی سر در خواهد آورد و آیا به موقع خواهد توانست از تصمیم‌های ناخوشایند هوش مصنوعی باخبر شود و جلوی اجرایشان را بگیرد؟ 🔆 هوش مصنوعی درک ما را از واقعیت بیشتر خواهد کرد؛ روش‌هایمان را برای ارتباط گرفتن، شبکه‌ساختن و همرسانی اطلاعات دگرگون خواهد ساخت. هنگامی که دیگر در جست‌وجو و شکل دادن به واقعیت، تنها نباشیم و هوش مصنوعی را برای کمک به دریافت و اندیشۀ خود به‌کار بگیریم، نقش خود را در جهان چگونه خواهیم دید؟ چگونه هوش مصنوعی را با مفاهیمی چون اختیار و ارزشمندی انسان هماهنگ خواهیم ساخت؟ 🔆 هوش مصنوعی برای شناختن جهان به دو راه کهن ایمان و خرد، راه سومی افزوده است. در زمانه‌ای که هوش مصنوعی واقعیت را پیش‌بینی، برآورد و شبیه‌سازی می‌کند و سپس بر اساس آن تشخیص می‌دهد که در زندگی ما چه مهم است و آیندۀ آن چه خواهد شد و بعد تصمیم می‌گیرد چه باید کرد، نقش عقل انسان تغییر خواهد کرد. انسان به میدان‌داری و توانایی خود خو گرفته و به عقلی که او را اشرف مخلوقات ساخته می‎بالد، اما هوش مصنوعی همۀ دیدگاه‌های او را در خواهد نوردید. 🔆 هوش مصنوعی با درکی متفاوت از درک انسان از واقعیت، می‌تواند یاور ارزشمندی برای انسان باشد، اما برای این همکاری انسان باید با دنیایی سازگار شود که در آن دیگر عقل، تنها و شاید آموزنده‌ترین راه شناخت واقعیت و پیش‌رفتن در جهان نباشد. 🔆 شاید لایه‌هایی که هوش مصنوعی می‌یابد یا به کمک هوش مصنوعی می‌یابیم، یکسره با آنچه تا کنون می‌انگاشتیم، متفاوت باشد. شاید الگوهایی را نشان دهد که ما هرگز درنیافته بودیم یا نتوانیم به مفهومشان پی ببریم. شاید آن لایه‌ها را نتوان به زبان انسان توضیح داد. این‌گونه شاید گفته‌هایی گنوسیان دربارۀ اینکه جوهر واقعیت فراتر از درک انسان است، دوباره معنا یابد. 📗 اریک اشمیت، هنری کیسینجر و دانیل هوتنلاکر، عصر هوش مصنوعی و آیندۀ انسان، ترجمۀ پوریا هامونی، سروش، 1402. 🖊 رضا درگاهی‌فر @PhilMind

📚 #معرفی_کتاب 📙 #هوش_مصنوعی بیولوژی‌محور در سال 2008 و توسط انتشارات MIT بچاپ رسیده است. 📕 این کتاب در هفت فصل به هفت محور که هوش مصنوعی جدید از زیست‌شناسی الهام گرفته، پرداخته است: 1) سیستم‌های تکاملی، 2) سیستم‌های سلولی، 3) سیستم‌های نورونی، 4) سیستم‌های رشدیابنده، 5) سیستم‌های ایمنی، 6) سیستم‌های رفتاری، 7) سیستم‌های اجتماعی 📒 کتاب در واقع به توضیح انقلاب نظری و فنی در تولید و ساخت هوش مصنوعی طی دهه‌های اخیر می‌پردازد که فرآیند 50-40 ساله جریان اصلی مبتنی بر داده‌کاوی و الگوریتم‌های دیجیتال را کنار گذاشت و به منبع الهام خود - هوش طبیعی - توجه کرد. 📘 در اواسط دهه 1980 میلادی بود که طیفی از حوزه‌های تازه تاسیس مانند #علوم_شناختی بدن‌مند، مهندسی نورومورفیک، حیات مصنوعی، #روباتیک رفتارمحور، روباتیک تکاملی، و هوش ترکیبی، اعتبار مفروضات و روش‌های هوش مصنوعی جریان اصلی را زیر سؤال برد و تولید مصنوعاتی با ویژگی‌های عملکردی و نمایش هوش بیولوژیک را هدف قرار داد. 📗 هرچند امروزه درباره رویکرد اتصال‌گرایی/پیوندگرایی (#connectionism) و بدن‌‌مندی (#embodiment) نیز چالش‌ها و سؤالات مهمی - هم از جنبه فنی و هم فلسفی - مطرح شده و گزینه‌های تحول‌آفرین دیگری در مقالات پیشنهاد می‌شود. @PhilMind

♦️فصل سوم کتاب «#هوش_مصنوعی بیولوژی‌محور»، سیستم‏های نورونی را بمثابه یکی از منابع الهام AI جدید مورد بررسی قرار می‌دهد. این سبستم‌ها شامل مجموعه‏ای از سلول‏های نورونی متصل به هم (شبکه شده) است. شبکه‌های عصبی مصنوعی، مدل‌های محاسباتی هستند که در دستگاه پیاده‌سازی می‌شوند و تلاش می‌کنند ویژگی‌های رفتاری و تطبیقی سیستم‌های عصبی بیولوژیک را به تصویر بکشند. ♦️یک شبکه عصبی مصنوعی از چندین واحد به هم پیوسته (بمثابه نورون‌ها) تشکیل شده است. برخی از این واحدها اطلاعات را مستقیماً از محیط دریافت می‌کنند (واحدهای ورودی)، برخی تأثیر مستقیم بر محیط دارند (واحدهای خروجی) و برخی دیگر فقط با واحدهای داخل شبکه ارتباط برقرار می‌کنند. هر واحد، عملیات ساده‌ای را اجرا می‌کند که شامل فعال‌شدن در صورتی است که کل سیگنال دریافتی از آستانه تعریف‌شده آن بزرگتر باشد. یک واحد فعال سیگنالی را منتشر می کند که به تمام واحدهایی که به آن متصل است می‌رسد. تصویر بالای پست، شمای اولیه‌ای از مدل شبکه نورونی مصنوعی الهام‌گرفته از شبکه نورون‌های طبیعی را نشان می‌دهد. ♦️طی 50 سال گذشته، دو حوزه بسط یافته از مدل‏های محاسباتی و صوری سیستم‏های نورونی عبارت بوده‏اند از: #نوروساینس محاسباتی و مهندسی نورونی. اولی با تکیه بر مدل‏های ریاضیاتی دینامیک غشای نورونی، سعی در فهم کارکردن مغزهای زنده دارد. نحوه تعاملات نورون‏ها با یکدیگر، تأثیر حوزه شیمیایی بر رفتار نورونی، دینامیک مجموعه‏های نورونی و ... از محورهای اصلی #نوروساینس_محاسباتی است. دومی بدنبال بازتولید عملکردهای #مغز برای مهندسی ماشین‏های هوشمند است. کنترل سفت و سخت سیستم‏های روباتیک، الگوریتم‏های یادگیری، ساختارهای سطح بالاتر که می‏توانند توانایی‏های شناختی را بازتولید کنند و پیاده‏سازی مدل‏های عصبی در سخت‏افزار از محورهای اصلی #مهندسی_نورونی است. ♦️سیستم های عصبی در مقایسه با ارگانیسم‏های بدون مغز حداقل دو مزیت دارند: (1) انتقال انتخابی سیگنال‏ها بین قسمت‏های دوردست بدن و (2) سازگاری با استفاده از شکل پذیری سیناپسی. این دو ویژگی، تولید بدن‏های پیچیده‏تر و مقابله بهتر با محیط‏های غیرقابل پیش‏بینی را تسهیل می‏کند. ♦️واضح است که شبکه‌های نورون مصنوعی همچنان - مانند کامپیوترهای کلاسیک دیجیتال - محاسباتی هستند و برپایه پردازش اطلاعات کار می‌کنند. اما الهام از مسیرهای پردازش موازی در مغز و واحد‌های متکثر نورونی، ساختار جدید و منعطفی را برای محاسبات بر روی میز قرار داده که برخی مشکلات رویکرد قدیمی را ندارد. اما طبیعتاً اشکالات کلی رویکرد محاسباتی - که از قبل مطرح بوده - و بازتولید اشکال حس عمومی - که توسط فیلسوف پدیدارشناس و طراح اشکال (هابرت دریفوس) بازسازی شده - مجدد مطرح و تاثیرگذار است. @PhilMind

📌دیدگاه صرفا مهندسی به #هوش_مصنوعی و تقلیل #آگاهی به یکسری خروجی‌های رفتاری و کارکردی را می‌توان به وضوح در حوزه فنی #AI مشاهده کرد. نمونه این رویکرد از مقاله وینچنزو تاگلیاسکو قابل ذکر است: 📌«یک موجود آگاه مصنوعی موجودی است که ظاهراً آگاه است؛ زیرا شبیه یک انسان آگاه رفتار می‏کند. #آگاهی_مصنوعی یک رشته ساینتیفیک نیست؛ یک حوزه تکنولوژیک است که بیشتر با #روباتیک سر و کار دارد تا با روانشناسی و #نوروساینس ... آگاهی مصنوعی باید در یک چشم‏انداز صرفا تکنولوژیک فهمیده شود. محققین حوزه آگاهی مصنوعی بخوبی می‏دانند که مطالعه آگاهی طبیعی، بسیار دور از نتیجه است». 📌در مقابل این رویکرد، علاوه بر مواضع نزدیک به #دوئالیسم، استدلال‌هایی قرار دارند که عموماً به "شوونیسم زیست‏شناختی" معروف‌اند و می‏گویند فقط ساختارهای بیولوژیکی می‏توانند به آگاهی برسند. چرا؟ یا بخاطر اینکه فقط آنها برخی سطوح پیچیدگی لازم را دارا هستند، یا بخاطر اینکه فقط در آنهاست که در نتیجه فرآیند #تکامل، مجموعه مورد نیاز از تجربه تاریخی نهاده شده است، یا بخاطر اینکه فقط آنها می‏توانند به شیوه‏ای مناسب با جهان در تعامل باشند. 📌تاگلیاسکو اما برای رد این دیدگاه‌ها، تعریف #تجربه_پدیداری را کن فیکون می‌کند و به نوعی پاک‌کردن صورت مسأله دست می‌زند. او تجربه را با «گردآوری فکت‌ها از محیط برای تولید اهداف و انگیزه‏های جدید» تعریف می‌کند و در ادامه به یک پژوهش آزمایشگاهی بر روی یک روبات واکنشی اشاره می‌کند. در این آزمایش دسته‏ای از محرک‏های بصری (یکسری شکل‌های رنگ‏شده که درون ساختار روبات کدگذاری نشده‏ بودند) برای روبات به نمایش در می‏آمد. برای سیستم از پیش، انگیزه‌های مرتبط با اشیاء رنگی تعیین شده و یک محرک بدون رنگ (فارغ از شکل آن) هیچ پاسخی را برنمی‏انگیزد. پس از یک دوره تعامل با اشکال رنگ‏شده، این روبات بطور خودمختار یک هدف جدید در نسبت با شکل‏های رنگ نشده نیز سامان می‌دهد (توسعه هدف جدیدی که در زمان طراحی پیش‏بینی نشده بود). 📌او از این توانایی روبات به ساختن اهداف و انگیزه‌های جدید یاد می‌کند و در واقع وجود «انگیزه» بمثابه یک حالت سابجکتیو را نیز در حد خروجی رفتاری تصدیق می‌کند. این رویکرد رفتارگرایانه به هوش و آگاهی، امتداد چارچوبی‌ست که #آزمون_تورینگ در اواسط قرن بیستم و آغاز شکل‌گیری این حوزه فنی در دستور کار مهندسان AI قرار داد؛ معیار «تمایزناپذیری رفتاری» برای تصدیق «تفکر در ماشین». 📌آیا این تقابل بین حوزه مهندسی و علوم پایه در هوش مصنوعی، قابل جمع است؟ بنظر می‌رسد هم می‌توان رویکردهایی محتمل برای تولید آگاهی مصنوعی پیشنهاد داد و هم آگاهی طبیعی و ساختار بیولوژیک آن را به رسمیت شناخت. دیدگاه‌هایی که بر ایمرج‌کردن آگاهی از سطح نوروفیزیولوژیک تاکید دارند و بدنبال بازسازی مصنوعی پایه شبه بیولوژیک هستند، از همین قبیل‌اند. 📚See: Tagliasco, Vincenzo, 2007, "Artificial Consciousness; A Technological Discipline", In: Chella A., Manzotti R., Artificial Consciousness, Imprint Academic @PhilMind