❄️ دونالد هافمن - استاد شناخته‌شده دانشکده #علوم_شناختی دانشگاه ایروین کالیفرنیا - از فواید و ناکارآمدی‌های #نظریه_محاسباتی_ذهن (Computational Theory of Mind: CTM) می‌گوید👆 ❄️ اشکالات مختلفی در کانتکست فلسفی علیه #نظریه_محاسباتی مطرح شده؛ از جمله آزمون #اتاق_چینی از سوی #جان_سرل که درک معنا و #حیث_التفاتی را در رویکرد محاسباتی و #هوش_مصنوعی زیر سؤال می‌برد، و اشکال #مسئله_چارچوب (frame problem) یا حس عمومی (common sense) از سوی #هیوبرت_دریفوس که #تجربه_پدیداری را پیشامفهومی و فراتر از معرفت‌های گزاره‌ای می‌داند. ❄️ هافمن در اینجا از تقلیل یا تبیین کارکردگرایانه در رویکرد محاسباتی سخن می‌گوید. طبیعتاً اگر #آگاهی را اینهمان با/ یا حتی برآمده از کدهای برنامه‌ای و کارکردها در مغز بدانیم، مدل‌های محاسباتی و رویکردهای رفتارگرا در ساخت #روبات می‌تواند نویدبخش چشم‌انداز #هوش_مصنوعی_قوی و تولید مصنوعی آگاهی باشد. اما اگر استدلال‌ها علیه این تبیین کارکردی را قابل توجه بدانیم، باید بدنبال رویکردهای جایگزین در هوش مصنوعی و #آگاهی_ماشین باشیم که - برخلاف #پیوندگرایی - 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 #مغز 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 #بازنمایی 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 #زبان_ذهن (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 #نظریه_محاسباتی_ذهن می‌شد، بعدها تلاش کرد #محتوای_وسیع (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 (#computationalism) و #بازنمودگرایی (#representationalism) است، با استقبال فراوانی در حوزه #علوم_شناختی مواجه شد و بعدها نیز #رویکرد_محاسباتی در چارچوب #پیوندگرایی 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 (#connectionism) 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