💠 "آیا میتوانیم #مغز را بدین‌گونه که صفر و یکها را دستکاری می‌کند، لحاظ نماییم؟ چرا که نورونها نیز در یک وضعیت دوگانه هستند: یا شلیک می‌کنند یا نمیکنند. اگر مغز در قالب کدهای دوگانه عمل می‌کند، بنابراین مغز هم باید یک #کامپیوتر دیجیتال باشد."
💠 چند اشکال در این مقایسه وجود دارد، اما مهمترین تفاوت جدّی بین نورونها و نمادهای کامپیوتر اینست که نورونها بنحو علّی و از طریق مکانیسمهای خاص بیولوژیک موجب #آگاهی میشوند؛ حال آنکه صفر و یکها انتزاعی محض هستند و تنها قدرت علّی آن‌ها، قدرت اجرا و پیادهسازی در سختافزار برای تولید مرحله بعدی برنامه است.
در حقیقت نورنها میتوانند بوسیله یک برنامه کامپیوتری تقلید شوند، اما تقلید شلیکهای نورونی، قدرت نورونها برای ایجاد آگاهی را تضمین نمیکند.
💠 پنروز از این هم جلوتر می‌رود و می‌گوید چیزهایی وجود دارد که انسانهای آگاه میتوانند انجام دهند و کامپیوترها حتّی نمیتوانند تقلید کنند. او کتابش را با تمایز بین چهار وضعیت ممکن درباره ارتباط محاسبات با آگاهی، آغاز می‌کند:
الف. #هوش_مصنوعی_قوی: آگاهی و سایر پدیده‌های ذهنی، به تمامه متشکّل از فرآیندهای محاسباتی است.
ب. #هوش_مصنوعی_ضعیف: فرآیندهای مغزی، موجب آگاهی میشوند و این فرآیندها میتوانند در یک کامپیوتر تقلید شوند. اما تقلید محاسباتی فینفسه، آگاهی را تضمین نمیکند.
ج. فرآیندهای مغزی موجب آگاهی میشوند، اما این فرآیندها حتّی نمیتوانند بنحوی درخور، تقلید محاسباتی شوند.
د. آگاهی نمی‌تواند بنحوی علمی تبیین شود؛ چه در قالب محاسباتی و چه هر قالب علمی دیگر. (Penrose, Roger, 1994, Shadows of the Minds, Oxford University Press, p. 12.)
💠 او مانند من، موضع الف و برخلاف من، موضع ب را نیز ردّ می‌کند و برای موضع ج استدلال میآورد. بر اساس دیدگاه وی حتّی #هوش_مصنوعی ضعیف هم غلط است. موضع د نیز یک موضع غیرعلمی است که پنروز ردّ می‌کند و بین آن با موضع ج تمایز بگذارد. چرا برای او مهم است که موضع ج را تقویت کند؟
💠 چون می‌گوید علوم یک دیدگاه عملیاتی (Operational Viewpoint) اتّخاذ می‌کنند و در نتیجه اگر شما بتوانید یک کامپیوتر را بگونهای برنامه‌نویسی کنید که رفتار انسانی را دقیقاً تقلید کند، آنگاه بلحاظ علمی این وسوسه وجود دارد که گمان کنند آن کامپیوتر نیز مانند انسان دارای حالات ذهنی است. پنروز در صدد آنست که نشان دهد شما نمیتوانید حتی چنین برنامهای داشته باشید.
See: Searle, J., 1997, The Mystery of Consciousness, NY: New York Review of Books, pp. 59-61.
@PhilMind
🥇 #آگاهی بمعنای #تجربه_پدیداری، اساسا سابجکتیو و درونی‌ست و در نتیجه قائم به شخص. این ماهیت آگاهی پدیداری‌ست.
دستکاری ماشینیٍ داده‌ها در تحقق جنبه‌های کارکردی و بیرونی آگاهی جواب می‌دهد. مثلا ورود داده‌ها از محیط و پردازش آن‌ها و سپس خروجی‌های رفتاری و گفتاری متناسب آن. اما این‌ها هیچ‌کدام معادل و حتی مستلزم جنبه تجربه‌ایٍ درونی نیست.
🥈استدلال‌های مختلفی در این‌باره در ادبیات بحث فلسفی ارائه شده و بین این دو جنبه آگاهی تفکیک کرده‌اند. فلاناگان (۱۹۹۲) با تعابیر «حساسیت تجربه‌ای: experiential sensitivity» در برابر «حساسیت اطلاعاتی: informational sensitivity» و ند بلاک (۱۹۹۴) با تعابیر «آگاهی پدیداری: phenomenal consciousness» در برابر «آگاهی دسترسی: access consciousness» از این دو جنبه یاد می‌کنند.
برخی فیلسوفان ذهن ضمن تأکید بر ضرورت عدم خلط بین آن‌ها، استدلال می‌کنند که چرا جنبه دوم (جنبه‌های کارکردی) نمی‌تواند معادل و حتی برآورنده‌ی جنبه اول (جنبه پدیداری) باشد.
🥉 سخن دریفوس آنست که آگاهی بمعنای #آگاهی_پدیداری/ تجربه درونی (که همان مسئله دشوار: hard problem نام دارد)، از طریق فرآیندهای محاسباتی قابل تحصیل نیست.
حتی خود «اذعان» روبات یا هر موجود دیگر به دارابودن جنبه درونی و پدیداری، باز هم یک «رفتار بیرونی»ست و ذیل جنبه کارکردی / اطلاعاتی قرار می‌گیرد.
🏅حال این مسئله‌ای دیگر است که جنبه پدیداری را چطور می‌توان ردیابی و verify کرد؟ اما دریفوس از سخن معمول فیلسوفان ذهن هم فراتر می‌رود.
یعنی ادعای او این نیست که روبات‌ها برآورنده جنبه‌های رفتاری و کارکردی آگاهی هستند و این برای رسیدن به جنبه پدیداری و تجربه‌ایٍ آگاهی کافی نیست. بلکه بیش از این، می‌گوید حتی همان جنبه رفتاری و واکنش‌های بیرونی هیجانی و عاطفی هم بدرستی در رویکردهای فعلی ساخت #هوش_مصنوعی، امکان تحقق کامل ندارند. چرا که همین واکنش‌ها هم در انسان‌ها مبتنی بر تجربه درونی شکل می‌گیرند.
در واقع او در تحقق #هوش_مصنوعی_ضعیف هم (تا چه رسد به #هوش_مصنوعی_قوی) تردید می‌کند.
🎖 این که ساینس از منظر سوم‌شخص به پدیده‌های آبجکتیو می‌پردازد ولی آگاهی، منظری سابجکتیو و اول‌شخص دارد که به دور از دسترس علم تجربی باقی می‌ماند، سخن خیلی‌هاست؛ چه در میان فیلسوفان و چه نوروساینتیست‌ها.
دریفوس علاوه بر این‌ها می‌گوید واکنش‌ها و رفتارهای عاطفی بجا هم در عامل انسانی، مبتنی بر common sense و تجربه درونی‌ست و نه مبتنی بر دستورالعمل‌ها.
🎗دریفوس می‌گوید این واکنش‌ها یک نوع معرفت مهارتی (know how) است و نه یک نوع معرفت گزاره‌ای (know that) تا قابل برنامه‌نویسی یا مدل‌سازی باشد.
می‌گوید اصلا واکنش‌های فارغ از کانتکست نداریم که شما یکسری ورودی را در یکسری کانتکست خاص در دوران کارورزی برای روبات تمرین دهید و بعد در کانتکست‌های جدید انتظار داشته باشید با مراجعه به خروجی همان تمرین‌ها، پاسخ مناسب را بیابد و اجرا نماید.
می‌گوید اصلا تشخیص «هم‌سنخی و هم‌نوعی» بین ورودی‌های دریافتی از محیط/ کانتکست جدید با ورودی‌های فلان محیط/کانتکست دوران کارورزی، بر چه ملاک و معیاری استوار می‌شود؟ در حالیکه در انسان‌ها براساس شهود پدیداری اتفاق می‌افتد.
@PhilMind
🔐 واژه «هوش» (Intelligence) در عنوان حوزه مطالعاتی #هوش_مصنوعی، گمراهکننده است. این واژه را وقتی درباره انسان‌ها بکار میبریم، به شاهکارهای ذهنی در خلاقیت و استعداد آن‌ها ارجاع می‌دهیم. در حالیکه جذّابترین مسائل هوش مصنوعی، به تلاشها برای تقلید قوای ذهنی مردم عادی (مانند بینایی و زبان طبیعی) برمیگردد.
🔐 مردم عادی کارهایی مانند دیدن و صحبت کردن را راحت مییابند و اهمیت زیادی برای آن‌ها قائل نیستند. از سوی دیگر، کارهایی مانند ضرب اعداد ده رقمی برای اکثر ایشان، دشوار بنظر می‌رسد.
ولی استفاده از کامپیوترها برای مطالعه قوای ذهنی، مشخّص کرد که چقدر بازسازی کارهای ساده انسانی مانند دیدن و معاشرت و ... - برخلاف انجام عملیات‌های پیچیده ریاضیاتی - در کامپیوترها چالش‌برانگیز است.
🔐 در واقع آن‌چه محور پژوهش و ساخت در حوزه مطالعاتی و مهندسی هوش مصنوعی قرار دارد، بسیار نزدیک به مفهوم #آگاهی در کانتکست فلسفی و #علوم_شناختی است؛ چه مصادیق #گرایشات_گزاره‌ای (مانند باور، تردید، تفکّر، تصمیم، ...) و چه مصادیق #حالات_پدیداری (مانند شادی، غم، خشم، مهربانی، ...).
🔐 البته مسئله بسیار مهم، "رویکردهای مطالعاتی و تولیدی" هوش مصنوعی نسبت به حالات آگاهانه فوق است. همان‌طور که راسل و نورویگ در «رویکردی مدرن به هوش مصنوعی» (2010) توضیح می‌دهند، چهار تعریف/الگوی عمده «تفکّر شبیه انسان»، «تفکّر ایده‌آل»، «رفتار شبیه انسان»، «رفتار ایده‌آل» در مطالعه و ساخت هوش مصنوعی طی 70 سال گذشته وجود داشته است.
چهار الگویی که بنحوی کاملاً کارکردگرایانه، صرفاً خروجی‌های محاسباتی (در الگوهای تفکّرمحور) و رفتاری (در الگوهای رفتارمحور) را هدف می‌گیرند و نسبت به جنبه‌های سابجکتیو و اوّل‌شخص #حالات_آگاهانه هیچ پروپوزالی و تمرکزی ندارند.
چیزی که جان سرل، #هوش_مصنوعی_ضعیف می‌نامید.
🔐 هرچند ذیل پروژه #آگاهی_ماشین (Machine Consciousness) تلاش‌هایی برای بازسازی جنبه‌های پدیداری و اوّل‌شخص حالات آگاهانه در دست انجام است.
فارغ از اینکه در این کلان‌پروژه نیز تا چه اندازه مدل‌کردن آگاهی ماشین (Machine Modeling of Consciousness: MMC) با رویکرد محاسباتی و کارکردگرایانه سایه انداخته، اما هدف و تعریف مسئله را منطبق با #مسئله_دشوار آگاهی می‌یابیم که بنحوی بنیادین با رویکرد و تعریف مسئله در جریان اصلی پروژه هوش مصنوعی، متفاوت است.
🔐 و البته برخی زمزمه‌ها و پروپوزال‌های حاشیه‌ای برای تولید و ساخت با رویکردی نوظهورگرایانه و شبه زیست‌شناختی و ... هم در حال طرح و بررسی است که بنحوی بسیار جدی‌تر از رویکردهای محاسباتی و رفتارگرا، تولید #آگاهی_مصنوعی را هدف می‌گیرند. (See: Clowes, R., & Torrance, S., & Chrisley, R., 2007, "Machine Consciousness, Embodiment and Imagination", Journal of Consciousness Studies, 14, No. 7, pp. 9–13.)
@PhilMind
فعلا قابلیت پخش رسانه در مرورگر فراهم نیست
مشاهده در پیام رسان ایتا
♦️هیوبرت دریفوس - استاد فلسفه دانشگاه برکلی - درباره شکست پروژه #هوش_مصنوعی با استفاده از متدهای کنونی می‌گوید (2022)👆
🔺دریفوس پایه‌گذار اشکال حس عمومی علیه رویکردهای محاسباتی در هوش مصنوعی است که بازنمایی مفهومی از جهان را برای تولید حس عمومی، ناکام می‌داند. بنظر وی رفتار هوشمند انسانی منبعث از معرفت گزاره‌ای نیست؛ بلکه از انباشت تجربیات آگاهانه درونی ناشی می‌شود که در هر موقعیت خاص، ممکن است واکنشی منحصربه‌فرد را اقتضا نماید.
🔻به اعتقاد او رویکرد کلاسیک مفهومی و بازنمایانه در تلقی دوهزارساله فیلسوفان از ساختار معرفت ریشه داشته که در قرن بیستم توسط #هایدگر و ویتگنشتاین به انتهای خط رسیده.
اما مهندسان هوش مصنوعی ابتدا بدون توجه به این شیفت پارادایمی در فلسفه، برنامه تحقیقاتی خود را بر پایه تلقی کلاسیک بنیان نهاده و وقتی در دهه هشتاد (زمستان هوش مصنوعی) با شکست مواجه شدند، با درکی سطحی از دیدگاه هایدگری، #رویکرد_محاسباتی را به سمت #بدن_مندی تغییر داده‌اند. تغییری که به اعتقاد دریفوس، همچنان رفتارگرایانه و فارغ از نکته هایدگر است و حتی در ساخت #هوش_مصنوعی_ضعیف (رفتار هوشمندانه) هم ناکام بوده، تا چه رسد به ساخت #هوش_مصنوعی_قوی (#آگاهی_مصنوعی).
@PhilMind
فعلا قابلیت پخش رسانه در مرورگر فراهم نیست
مشاهده در پیام رسان ایتا
🔐 سیستم #CHATGPT بر مبنای تمایزناپذیری خروجی‌ها با یک انسان خبره و کارشناس، هوشمند نامیده می‌شود؛ یعنی می‌تواند مقاله‌ای پیشرفته یا نقاشی‌ای خلاقانه در هر موضوع تخصصی که سفارش بدهید، به شما تحویل دهد؛ بنحوی که از یک پژوهشگر برجسته انسانی یا هنرمند مجرب انسانی، تمایزناپذیر باشد.
این همان استراتژی و معیار آلن #تورینگ در طراحی آزمونی برای سنجش ماشین «تفکرکننده» بود؛ معیاری رفتارگرا و کارکردگرایانه که البته همواره مورد مناقشات فراوان هم بوده است.
🔐 به هرحال مادام که #هوش_مصنوعی، ساخت مصنوعات توانمند برای ارائه تمایزناپذیر یکسری خروجی‌ها و کارکردها را هدف بگیرد، می‌توان گفت با چیزی سر و کار داریم که اصطلاحاً #هوش_مصنوعی_ضعیف می‌نامند. این هوش البته کاربردهای فراوانی در تسهیل زندگی بشر دارد، اما ارائه خروجی‌های غیر قابل تمایز با یک متخصص متبحر انسانی، بدان معنا نیست که ماشین درکی از معنا و حالتی سابجکتیو از اندیشیدن هم داشته باشد. استدلال‌هایی مانند «اتاق چینی» از جان سرل و «مغز چین» از ند بلاک، برای نشان‌دادن همین خلاء صورت‌بندی گردیده است.
🔐 این یادآور تفکیک مهمی است که فیلسوفان ذهن بین جنبه کارکردی #آگاهی و جنبه پدیداری آن می‌گذارند. حالت ذهنی "اندیشیدن" یا "تفکر" دارای یک جنبه کارکردگرایانه است که با ورودی داده‌ها و پردازش آن‌ها و ارائه خروجی‌های متناسب و بعضا پیچیده سر و کار دارد. اما بعلاوه، یک جنبه سابجکتیو و پدیداری هم دارد که شخص تفکرکننده بنحوی اول‌شخص در هنگام تفکر آن را تجربه می‌کند.
🔐 در پست بعد درباره رویکرد کارکردگرا برای ارائه پاسخ‌های پیچیده خواهیم گفت:
@PhilMind
فلسفه ذهن
فراز و فرود هوش مصنوعی ۱ 🚩 #هوش_مصنوعی از این ایده جذاب که در کنفرانس دارموث (۱۹۵۶) بیان گردید، آغا
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
🔻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