eitaa logo
فلسفه ذهن
841 دنبال‌کننده
135 عکس
67 ویدیو
21 فایل
محتوای تخصصی در حوزه #فلسفه_ذهن و فلسفه #علوم_شناختی توسط: مهدی همازاده ابیانه @MHomazadeh با همکاری هیئت تحریریه
مشاهده در ایتا
دانلود
🔴 دریفوس در برابر استدلال می‏ کند که توانایی ما در شناخت جهان و دیگر مردمان، یک نوع مهارت غیر توصیفی از سنخ دانستنِ چگونگی (know-how) ‌است که قابل تقسیم به کدگذاری‏ و برنامه‏ نویسی و ... نیست. انسان‏ها این توانایی را دارند که براساس تجربه در هر موقعیت به نحوی معقول و متناسب رفتار کنند؛ بدون آن‌که نیاز داشته باشند در فعّالیت‏های روزمرّه‏ شان بدنبال پیروی از دستورالعمل‏ها بروند. 🔵 هرچه بسمت کارکردهای تجربه‌ای‌تر برویم (مثلاً کارکرد تربیتی)، این تمایز بیشتر آشکار می‌شود. مربّی در هر لحظه و در مواجهه با هر رفتار کودک، به فراخور تجربه‌ای که از تعامل با او و سایر کودکان اندوخته و برحسب ادراک درونی که از نوع واکنش کودک در آن لحظه دارد، تصمیم خاصّی می‌گیرد که می‌تواند کاملاً موردی باشد. این قبیل مهارت‏ها غیر قابل بیان و پیشا مفهومی‏ اند و یک بُعد ضروری دارند که نمی‏ تواند بوسیله هیچ سیستم قاعده‌مندی به تصویر درآید. 🔴 دریفوس حتّی تأکید داشت که شاید هیچ دسته واقعیت‏های رها از کانتکست (Context-free) وجود نداشته باشد که شیوه‌های رفتاری را مشخّص نماید و ما باید فقط از تجربیات وسیع خود بیاموزیم که چطور به هزاران مورد معمول و رایج، پاسخ بدهیم. 🔵 او همچنین بر اهمیت ظرفیت‏هایی مانند تخیّل و بکارگیری استعاره و ... تأکید می‏ کرد که همگی در مقابل تلقّی محاسباتی قرار دارند. (Dreyfus, 1999, What Computers Still Can't Do, p. xxvii.) 🔴 آن‌هایی که انتقاد به GOFAI (هوش مصنوعی کلاسیک) را جدّی می‌گیرند، می‌توانند همانند خود وی برخی تردیدهای مشابه را درباره رویکرد (Connectionism) هم داشته باشند. 🔵 کار در حوزه تقویت یادگیری شبکه‎‌های پیوندگرا بر مسائل محدودی تمرکز دارد. رفتارها البته می‌توانند تعریف شوند و به آسانی تمایز یابند، ولی هوش با رفتارهایی سر و کار دارد که دسته‌بندی مناسب آن‌ها وابسته به شرایط و کانتکست است. روال رایج در مصنوعی که مستلزم دسته‌بندی‌های ساده رفتارهاست، یک عنصر اساسی هوش را دور می‌زند و نادیده می‌گیرد؛ یعنی یادگیری این که چطور شرایط و کانتکست، بر اهمیت و معنای رفتار تأثیر می‌گذارد. (Robinson, 2014, The Cambridge Handbook of Artificial Intelligence, pp. 101-102.) مهمترین مباحث فلسفی درباره ذهن/نفس و علوم شناختی را اینجا ببینید: https://eitaa.com/joinchat/183304263Cbe50a0e2d9
صوت و فایل پی دی اف نشست در پژوهشکده تبلیغ و مطالعات اسلامی، با موضوع «امکان ؛ از رویکردهای کلاسیک محاسباتی در تا و »، دکتر مهدی همازاده، دوشنبه ۲۲ دیماه ۹۹ 👇👇 @PhilMind
🕒 مباحث ذیل را می‌‌توان به دو حوزه کلّی تفکیک کرد: 1) موضوعات مربوط به (مانند مسئولیت پیامد تصمیمات و رفتار ، حق مالکیت خلاقیت‌های هنری یا علمی هوش مصنوعی، تأثیر روبات‌ها بر تعاملات بشری، جواز و نحوه محدودکردن هوش مصنوعی، جواز پاداش و تنبیه روبات‌ها، ...) که بیشتر در حوزه $فلسفه_اخلاق قرار می‌گیرند. 2) موضوعات مربوط به «وجودشناسی هوش مصنوعی» یا (مانند امکان بالقوه‌ی ، چشم‌انداز ، ماهیت و حیطه‌ی ، میزان قابلیت رویکرد کلاسیک محاسباتی و رویکردهای و در تولید ، ...) که عمدتاً در حوزه بررسی می‌شوند. 🕓 برخی مهندسان و پژوهشگران فنّی هوش مصنوعی اما علاقه چندانی به دسته دوم مباحث فوق ندارند و در بین مباحث فلسفی هوش مصنوعی، دسته نخست را به دلیل آن‌که اوّلاً کاربردی‌تر می‌یابند و ثانیاً توانایی هوش مصنوعی و امکان تحقّق چشم‌اندازهای آتی را به چالش نمی‌کشد، ترجیح می‌دهند. ضمن این‌که برخی چشم‌اندازهای معاصر هوش مصنوعی نیز از وعده‌های دهه 60 و 70 میلادی مبنی بر تولید شخص (person) با تمام حالات آگاهانه و ویژگی‌های پدیداری کوتاه آمده و بعضاً تحقّق اهدافی صرفاً کاربردی و جزئی را دنبال می‌کنند. 🕔 این اتفاق البته در میان محققان و مهندسان هوش مصنوعی در داخل کشورمان بنحوی شایع‌تر و جدی‌تر وجود دارد و تعاملات بینارشته‌ای فلسفی – فنّی که بین برخی دپارتمان‌ها و دانشمندان غربی در حوزه هوش مصنوعی مشاهده می‌شود در کشور ما تقریباً هیچ نمونه‌ای (ولو تقلیل‌یافته) ندارد. 🕕 هندبوک هوش مصنوعی که چاپ اوّل آن در سال 2015 توسط انتشارات دانشگاه کمبریج به چاپ رسیده و اساتید مطرح بین‌المللی در فصول مختلف آن قلم زده‌اند، چهار فصل کلّی دارد که فصل اول آن به «بنیادهای فلسفی» و «چالش‌های فلسفی» می‌پردازد و فصول تکنیکال بعدی نیز مکرّراً در لابلای مباحث GOFAI و پیوندگرایی و بدن‌مندی و (Artificial Life) و حتی ، به مسائل فلسفی ارجاع می‌دهد و تأملاتی دوطرفه را پیش روی مخاطب می‌گذارد. (See: The Handbook of Artificial Intelligence, 2015, Cambridge University Press) درباره ضرورت توجه به مباحث وجودشناسی هوش مصنوعی لااقل از دو منظر می‌توان سخن گفت که در پست‌های آینده بدان‌ها اشاره خواهد شد. @PhilMind
🖥 برخی مهندسان و پژوهشگران علاقه چندانی به مباحث وجودشناختی AI ندارند و در بین مباحث ، حداکثر مسائل را بدلیل آن‌که اوّلاً کاربردی‌تر می‌یابند و ثانیاً توانایی هوش مصنوعی و امکان تحقّق چشم‌اندازهای آتی را به چالش نمی‌کشد، ترجیح می‌دهند. 🖥 این اتفاق البته در میان مهندسان در کشورمان بنحوی شایع‌تر و جدی‌تر وجود دارد و تعاملات بینارشته‌ای فلسفی – فنّی که بین برخی دپارتمان‌ها و دانشمندان غربی در حوزه هوش مصنوعی مشاهده می‌شود در کشور ما تقریباً هیچ نمونه‌ای (ولو تقلیل‌یافته) ندارد. 🎖درباره ضرورت توجه به متافیزیک هوش مصنوعی می‌توان به تأثیر متقابل علمی و تئوریک اشاره کرد. تأملات فلسفی چه در زمانی که رویکرد کلاسیک دیجیتال در پی برنامه‌نویسی‌های کامپیوتری بود و چه در زمانی که نظریات محاسباتی جدید در یا تئوری‌های به کار گرفته شد، در هر دو جنبه ارائه‌ تئوری‌های ایجابی برای ساخت هوش مصنوعی و هم در نقد و نقض آن‌ها فعال بوده‌اند. 🎖نظریه محاسباتی کلاسیک ذهن (CCTM) که بعدها توسط فودور – فیلسوف ذهن دانشگاه راتگرز - با نظریه بازنمودگرایی تلفیق گردید، زمینه و پایه تولیدات فنّی و پژوهش‌های دهه 70 پیرامون هوش مصنوعی را شکل داد. کما این‌که تأملات و انتقادات امثال هابرت (درباره حسّ عمومی و مرتبط بودن) و (درباره درک زبانی)، چالش‌هایی جدّی پیش روی تئوری‌ها و تکنیک‌های ساخت هوش مصنوعی قرار داد. این تعاملات فلسفی – فنّی با زمستان هوش مصنوعی در دهه 80 و ورشکستگی کمپانی‌ها تکمیل شد و دوره جدیدی را با تئوری‌هایی متفاوت رقم زد. 🎖در دوره جدید نیز تئوری‌های پیوندگرایی و بدن‌مندی با چالش‌هایی جدی از سوی فیلسوفان مواجه بوده‌اند. دریفوس در دهه 70 و در مقاله پر ارجاع What Computers Can't Do استدلال می‏کرد که توانایی ما در تعامل با دیگران، یک نوع مهارت غیر توصیفی و تجربه‌ای از سنخ دانستنِ چگونگی (know how)‌ و دانستنِ گزاره‌ای است که قابل تقلیل به کدگذاری‏های گزاره‏ای در برنامه‏نویسی نیست. 🎖او در سال 1999 و در کتاب What Computers Still Can't Do توانایی شبکه‏های نورونی پیوندگرا که بر پایه دسته‌بندی رفتارها برنامه‌ریزی می‌شود را نیز به چالش کشید. دستگاه‌های پیوندگرا قادر به تعمیم هستند و هرگاه با یک الگوی ورودی جدید - که از نوع الگوی تمرین‌شده قبلی است – مواجه می‌شوند، خروجی‌ای مشابه تولید خواهند کرد. دریفوس و حامیانش اما اشکال مرتبط بودن را در این‌جا نیز تکرار می‌کنند: «از یک نوع بودن» در دسته‌بندی و تعمیم رفتارها را چه چیزی مشخّص می‏کند؟ به اعتقاد این‌ها مدل‌سازی نمی‌تواند جلوی تعمیم‌های ناجور و بی‌جا را بگیرد. کما این‌که اشکال اتاق چینی سرل درباره درک زبانی کامپیوترهای دیجیتال، در برابر شبکه‌های پیوندگرا نیز قابل بازسازی است و پاسخ روبات وی (Robot Reply) هم در برابر رویکرد بدن‌مندی. 🎖توجه به مباحث فلسفی هوش مصنوعی نه تنها اشکالات و نواقص نظریه‌های رایج در ساخت روبات‌ها را گوشزد می‌کند، بلکه حتی می‌تواند به رویکردهای جدیدی در تولید بینجامد. از جمله نظریه آگاهی در که زمینه را برای امکان و بلکه شیوه تولید در شبکه‌های نورونی مصنوعی متناسب با شبکه‌های نورونی طبیعی، فراهم می‌آورد. @PhilMind
🎖شبکه‏های نورونی مصنوعی قادر به کارورزی (Training) برای رسیدن یا نزدیک‌شدن به یک "کارکرد" هستند. الگوریتم‏های "یادگیری" با اهداف عمومی وجود دارند – مانند الگوریتم پردازش پشتیبان (Backpropagation) – که با بارهای تصادفی در شبکه آغاز می‏کند و مکرراً سیستم را بصورت تمرینی در معرض ورودی‏های مختلف قرار داده و بار‏های شبکه را تنظیم می‏کند تا این‏که بالاخره خروجی را هرچه نزدیک‏تر به مقدار صحیح برساند. 🎖این دستگاه‌های پیوندگرا البته قادر به تعمیم موقعیت‌ها هستند؛ بدین معنا که هرگاه یک الگوی ورودی جدید را - که شبیه الگوهای تمرین‌شده قبلی است – دریافت می‌کنند، خروجی‌ای تولید خواهند کرد که شبیه خروجی الگوی تمرین‌شده باشد. بدین ترتیب آن‌ها قادر به فراهم‌آوردن روابط شبه قانونی بین الگوهای ورودی و خروجی هستند بدون آن‌که بازنمایی‌های درونی متناظر از قانون‌ها را داشته باشند. 🎖این پیشرفت‌ها که شباهت با ویژگی‌های شناختی انسان را یادآور می‌شد، سبب انگیزش برخی علاقمندی‌ها گردید و محققان را به این فکر انداخت که شاید رویکرد (Connectionism) بتواند فرصت‌هایی برای قوی فراهم آورد. ولی هنوز پرسش‌های مهم فلسفی پیشین، در برابر شبکه‌های پیوندگرا نیز پابرجا باقی مانده است. 🎖صرفنظر از اعاده مشکل حس عمومی (Common sense) یا نابجا بودن پاسخ‌ها در موقعیت‌های جدید که حاصل تعمیم‌ نابجای موقعیت‌ها توسط ماشین بود، مسئله فقدان "یادگیری" بمعنای عمیق و واقعی آن رخ‌نمایی می‌کرد. شبکه‏های پیوندگرا نیز – مانند سیستم‏های کلاسیک GOFAI – توانایی شناسایی موقعیت‏هایی که در آن‏ها، آن‏چه آموخته‏اند نامربوط به حساب می‌آید را ندارند. این بستگی به کاربر انسانی دارد که شکست‏ها و ناکارآمدی‏ها را تشخیص بدهد و یا خروجی موقعیت‏هایی که قبلاً شبکه آموخته را بهبود ببخشد یا مواردی جدید فراهم آورد که به اصلاحات در رفتار ختم شود. از این منظر، شبکه‏های نورونی تقریباً همان‏قدر وابسته به هوش انسانی هستند که سیستم‏های GOFAI. 🎖حتی رویکرد «تقویت یادگیری» (Reinforcement Learning) هم هرچند نیاز به معلّم دانای کلّ ندارد و فقط بازخوردهای محیط را در یک روند تدریجی بررسی می‏کند، اما همچنان فاقد آن‌چیزی است که در بمعنای واقعی بدان نیاز داریم: آیا دستگاه می‌تواند مانند انسان‏های کارشناس، را بعنوان ماهیت ذاتی یادگیری، بکار گیرد؟ یادگیری متوقف بر حس درونی و سابجکتیو از مسئله و راه‌حل است. این در واقع بیانی دیگر از قلب اشکال جان سرل در اتاق چینی هم هست که فیزیک کامپیوتر / روبات را ‌یک‏سری جریانات بسیار پیچیده الکتریکی می‌دانست. اما چیزی که این پالس‏های الکتریکی را معنادار می‏سازد، از همان دست واقعیتی است که نشانه‏های جوهر روی کاغذ کتاب را به جملات معنادار تبدیل می‏کند. 🎖"ما" این علائم را طراحی و برنامه‏ریزی کرده‏ایم؛ بنابراین می‏توانیم نشانه‏های مذکور را تعریف و درک کنیم. یک تکّه کاغذ فقط در صورتی پول خواهد بود که مردم، فکر و قبول کنند آن کاغذ، پول است. این واقعیت که کاغذ مذکور از فیبرهای سلولوزی تشکیل یافته، یک واقعیت مستقل از مشاهده‏کننده است و این واقعیت که معادل 20 دلار سرمایه است، وابسته به مشاهده‏گر. محاسبات هم یک فرآیند انتزاعی است که فقط در نسبت با مشاهده‏گر و تفسیرگر آگاه، معنا و وجود می‌یابد. مشاهده‏کنندگان و مفسّرانی مانند ما معنای جملات یا رفتار خروجی ماشین را تفسیر می‌کنیم و آن‌ها را بجا یا نابجا تشخیص می‌دهیم. اما این بدان معنا نیست که خود ماشین هم بنحوی اول‌شخص و پدیداری، معنای خروجی‌ها را درک می‌کند یا "یاد گرفته" است. @PhilMind
📚 📙«فلسفه علوم اعصاب، ذهن و آگاهی» بقلم دکتر کیوان الستی توسط نشر هرمس و در ۱۶۰ صفحه بچاپ رسیده است. 📘مقدمه کتاب ضمن اشاره به اینکه شواهد علمی موجود در یا ، از جنس شواهد سرراست و بین‌الاذهانی موجود در فیزیک و زیست‌شناسی نیستند، هدف از این تألیف را «معرفی برخی از تفاوت‌های فلسفه علومی که دغدغه مسائل مرتبط با ذهن را دارند در مقایسه با فلسفه علوم دیگر که تا امروز بیشتر با آن‌ها برخورد داشته‌ایم»، عنوان می‌کند. 📗فصل اوّل به کلیاتی درباره نظریه‌های فیزیکالیستی ذهن می‌گذرد و فصل دوم بطور خاص بر نظریه ( و دیگران) تمرکز دارد و با مروری بر ، استدلال‌ها له و علیه حذف‌گرایی را بررسی می‌نماید. 📕فصل سوم به موضوع تبیین در علوم اعصاب اختصاص دارد و توانایی مکانیزم‌های موجود در برای تبیین همه اموری که به ذهن نسبت می‌دهیم را مورد ارزیابی قرار می‌دهد. فصل آخر (چهارم) نیز به شواهد علمی می‌پردازد و با توضیح تمایز میان و مسائل آسان آگاهی، روش‌های متفاوت برای سنجش آگاهی (روش‌های عینی، رفتاری، درون‌بینی) را مرور می‌کند. @PhilMind
حجم رسانه بالاست
مشاهده در ایتا
❄️ دونالد هافمن - استاد شناخته‌شده دانشکده دانشگاه ایروین کالیفرنیا - از فواید و ناکارآمدی‌های (Computational Theory of Mind: CTM) می‌گوید👆 ❄️ اشکالات مختلفی در کانتکست فلسفی علیه مطرح شده؛ از جمله آزمون از سوی که درک معنا و را در رویکرد محاسباتی و زیر سؤال می‌برد، و اشکال (frame problem) یا حس عمومی (common sense) از سوی که را پیشامفهومی و فراتر از معرفت‌های گزاره‌ای می‌داند. ❄️ هافمن در اینجا از تقلیل یا تبیین کارکردگرایانه در رویکرد محاسباتی سخن می‌گوید. طبیعتاً اگر را اینهمان با/ یا حتی برآمده از کدهای برنامه‌ای و کارکردها در مغز بدانیم، مدل‌های محاسباتی و رویکردهای رفتارگرا در ساخت می‌تواند نویدبخش چشم‌انداز و تولید مصنوعی آگاهی باشد. اما اگر استدلال‌ها علیه این تبیین کارکردی را قابل توجه بدانیم، باید بدنبال رویکردهای جایگزین در هوش مصنوعی و باشیم که - برخلاف - مجددا ذیل رویکرد محاسباتی قرار نگیرد. @PhilMind
🔐رویکرد محاسباتی به ذهن، حاصل پیشرفتها و دستاوردهایی بود که از نیمه قرن بیستم در حوزه مهندسی کامپیوتر و هوش مصنوعی اتفاق افتاد و رفته رفته این نگرش را گسترش داد که چه بسا هم دقیقا – و نه بعنوان تشبیه - یک سیستم کامپیوتری باشد. بدین ترتیب ذهن را باید بمثابه نرم‌افزاری که بر روی سخت‌افزار مغز اجرا می‌شود، در نظر گرفت. در نگاه طرفداران این دیدگاه، فرآیندهای مهم ذهنی مانند استدلال‌کردن، تصمیم‌گیری، حل مسئله و ... قابلیت تطبیق بالایی با الگوی محاسباتی‌ای داشتند که در ماشین تورینگی اجرا می‌شد؛ بدین معنا که محاسبات ذهنی با دستکاری نمادها اتفاق می‌افتد و این نمادها در واقع، همان محتوای حالات ذهنی‌اند. 🔐دیدگاه فوق البته بعدها در دهه 70 و 80 توسط جری فودور تکمیل شد. او با تمرکز بر دستکاری نمادها در فرآیند محاسباتی، سیستمی از بازنمایی ذهنی را مطرح کرد که حاوی نمادهای (mentalese) یا زبان تفکر(Language of Thought: LOT) بودند. گرایشات گزاره‌ای (حالات ذهنی مانند باور و میل و تردید و امید و ... که معطوف به یک گزاره هستند)، در نگاه فودور در واقع با این نمادهای زبان ذهن مرتبط‌اند و این نمادها نیز حاصل زنجیره علّی ارتباط با محیط‌اند که درون سیستم عصبی بازنمایی می‌شوند. (Fodor, 1975, The Language of Thought) فودور بدنبال انتقادات فراوانی که به درون‌گرایانه بودن می‌شد، بعدها تلاش کرد (wide content) ذهنی را در قالب محاسبات به شیوه‌ای که شبیه قوانین بازنمایی وسیع باشد، توضیح دهد (Fodor, 1994, The Elm and the Expert)، هرچند قابلیت‌های بازنمایی محلی (local) در نظریه وی برای این هدف کفایت نمی‌کرد و مناقشات در این‌باره را باقی ‌گذاشت. 🔐اما به هرحال تئوری محاسباتی فودور که در واقع تلفیقی از محاسبه‌گرایی () و () است، با استقبال فراوانی در حوزه مواجه شد و بعدها نیز در چارچوب تداوم یافت. در واقع دیدگاه فودور اگرچه فرآیند محاسباتی را منتزع از ساختار بیولوژیک بازنمایی‌کننده لحاظ می‌کرد تا بتواند مدل محاسباتی ماشین تورینگی را فارغ از دستگاه سیلیکونی یا نورونی بازنمایی‌کننده لحاظ نماید، بعدها با اهمیت‌یافتن ساختار نوروبیولوژیک در چارچوب علوم شناختی، به دیدگاه پیوندگرایی () شیفت کرد که فرآیند محاسباتی و بازنمایی محتوای ذهنی را در قالب اتصالات و شلیک‌های شبکه نورونی تبیین کند. هرچند هسته اصلی دیدگاه محاسباتی همچنان برقرار باقی ماند و شلیک‌های نورونی در مسیرهای توزیع‌شده موازی، در جایگاه همان نمادهای زبان ذهن می‌نشستند که توسط سیستم عصبی دستکاری می‌شوند. @PhilMind
فراز و فرود هوش مصنوعی ۲ 🚩 در اواسط دهه 1980 حداقل چهار گروه مختلف، نوعی را بازتولید کردند که اولین‏بار در 1969 پایه‏گذاری شده بود. این الگوریتم برای بسیاری مسائل 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 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 () و () هرچقدر که در ارائه رفتارها و کارکردهای ایده‌آل یا شبیه انسان، پیشرفت داشته‌اند، اما اساسا برای تولید و توسعه عالَم درونی و در ماشین‌ها تاسیس نشده‌اند. 🚩 امروزه البته بسیاری از مهندسان علوم کامپیوتر اصلا کاری با ساخت جنبه اول‌شخص و در ماشین‌ها ندارند و صرفا بر توسعه 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 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
👇 🧩 سال‌هاست که با غلبه رویکرد محاسباتی در ، 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 با پیاده‌سازی 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 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 نقش داشته باشد، چالش‌های عمیق‌تری پیش روی مهندسان خواهد بود. 🧩 مقاله مهمی که سه ماه پیش توسط محققان دانشگاه هایدلبرگ آلمان در محله 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 و هوش مصنوعی، چالش مهمی را نیز روی میز می‌گذارد: و 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 () با تاکید بر محاسبات توزیع‌شده و پردازش موازی اطلاعات، و همچنین رویکرد () 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 با ابهامات و تردیدهای جدی مواجه هستند. @PhilMind