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
👇
🧩 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