🔐 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

🖥 نول و سیمون در 1957 نسخه به‌روز از برنامه کامپیوتری «نظریه منطق» را با نام «حل مسئله عمومی» عرضه کردند که تکنیک‏های جستجوگر بازگشتی را برای حل مسائل ریاضیاتی به کار می‏گرفت. نظریه منطق و حل مسئله عمومی، توانایی یافتن اثبات‏هایی برای بسیاری قضایا در کارهای اولیه برتراند راسل و آلفرد وایتهد در نظریه مجموعه‏ها را دارا بود. 🖥 این موفقیت‏ها‌ سیمون و نول را بر آن داشت تا در مقاله 1958 خویش با عنوان Heuristic Problem Solving بگویند: «هم‏اینک ماشین‏هایی بر روی زمین وجود دارند که "فکر می‏کنند"، "یاد می‏گیرند" و "خلق می‏کنند". علاوه بر این، توانایی آن‏ها برای انجام چنین کارهایی بسرعت در حال افزایش است، تا این‏که در آینده‏ای نزدیک،‌ طیف مسائلی که می‏توانند رسیدگی کنند، با طیف مسائلی که ذهن انسانی بکار گرفته، برابری خواهد کرد» و یک دهه بعد، سیمون پیش‏بینی کرد که تا سال 1985 «ماشین‏ها توانایی انجام هرکاری که انسان‏ها انجام می‏دهند را خواهند داشت» (Kurtzweil, 1999, The Age of Spiritual Machines; When Computers Exceed Human Intelligence, p. 58). 🖥 در طول دهه 60، حوزه آکادمیک #هوش_مصنوعی کار بر روی دستورالعملی را آغاز کرد که آلن #تورینگ برای نیم قرن بعدی پیشنهاد کرده بود. کارهایی که نتایجی بعضاً دلگرم‏کننده و بعضاً ناامیدکننده به دنبال داشت. برنامه دنیل بابرو می‏توانست مسائل جبر را از زبان طبیعی حل کند و آزمون‏های ریاضیات دبیرستان را بخوبی پشت سر بگذارد. مشابه همین موفقیت برای برنامه توماس ایونس گزارش شده که می‏توانست مسائل قیاس هندسی را در آزمون آی‏کیو حل نماید. حوزه سیستم‏های کارشناسی نیز با سیستم DENDRAL ساخته ادوارد فیجنبام آغاز شد که می‏توانست پرسش‏ها درباره ترکیبات شیمیایی را پاسخ گوید. 🖥 با فاصله کمی اما انتقادات گسترده‏ای وارد شد که ناتوانی این برنامه‌ها برای انجام واکنش‏های بجا در محیط‏های متنوع را هدف می‏گرفت. دیگر مشخص شده بود مسائلی که همگان فکر می‏کردند مشکل باشند، از حل قضایای ریاضیاتی و بازی ماهرانه شطرنج گرفته تا استدلال در حوزه‏هایی مانند شیمی و داروسازی،‌ 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 درک یک کارتون انیمیشینی. 🖥 تأکیدی که یکی از مهم‌ترین منتقدین - هیوبرت دریفوس - بر اهمیت «ارتباط» قائل بود، موضوعیت توانایی انسان در تشخیص امر ذاتی از غیر ذاتی را برجسته می‌کرد. این‏که انسان‌ها می‏توانند بدون زحمت براساس #تجربه_پدیداری خویش در هر موقعیت مرتبط، واکنشی درخور ارائه بدهند. #دریفوس می‌گفت قائل‏شدن به چنین توانایی‏ای برای کامپیوترها، لغزشگاهی در برابر هوش مصنوعی قرار می‏دهد که او معضل بافتار کل‌گرا (holistic context) نامید. معضلی که همچنان بمثابه یک چالش کلیدی در برابر هوش مصنوعی – قوی و ضعیف – و نیز #علوم_شناختی محاسباتی باقی مانده است. 🖥 یک مربی مهدکودک یا یک مادر در مواجهه با رفتار لجبازانه یکی از بچه‌ها در موقعیتی خاص، ممکن است واکنشی داشته باشد که با واکنش در برابر رفتار مشابه همان بچه در موقعیتی دیگر یا در برابر رفتار مشابه بچه‌ای دیگر در همان موقعیت متفاوت باشد. این نوعی معرفت چگونگی است که از سنخ معرفت گزاره‌ای و مفهومی نیست و بیشتر بر تجربیات پدیداری آن مادر یا مربی تکیه دارد و بسیار وابسته به کانتکست عمل می‌کند. 🖥 البته این ادعا که مردم در فعالیت‏های روزمره‏شان دستورالعمل‏های گزاره‌ای را پیاده نمی‏کنند، همواره معضلی در برابر هوش مصنوعی و نظریه محاسباتی بوده است. این انتقاد در قالب‏های متنوع از سوی فیلسوفان مختلف – از ویتکنشتاین و کواین تا دریفوس و سرل و دیگران - مطرح شده و بر تمایز بین توصیف و علیت،‌ و همچنین بین پیش‏بینی و تبیین دست می‏گذارد. 🖥 یک دسته از قوانین (یا بنحو منطقی‎‏تر، یک برنامه کامپیوتری) باید یک پدیده شناختی را به اندازه کافی توصیف نماید. آن‏ها باید تمامی داده‏های تجربی را متناسب‏سازی کرده و پیش‏بینی‏های درست را بسازند. اما این بدان معنا نیست که یک بازنمایی کدگذاری‏شده از قوانین (یا برنامه) درون سر ما وجود دارد که بنحوی علی درگیر تولید پدیده است. برای مثال، گروهی از قوانین گرامری G می‏توانند بنحوی درست، قیود خاص موجود در نحو زبان انگلیسی را توصیف نمایند. ولی این بدان معنا نیست که گویندگان زبان انگلیسی یک کدگذاری از قوانین G درون مغزهایشان دارند که باعث تولید سخن مطابق G از سوی آن‏ها می‏شود. بنابراین با این‏که G می‏تواند بدرستی رفتار زبانی انسان‌ها را پیش‏بینی نماید، اما ضرورتاً آن را توضیح نمی‌دهد. @PhilMind