.
🧩 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 قرار خواهد گرفت.
🧩 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
@philosophyofscience
🧩 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 قرار خواهد گرفت.
🧩 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
@philosophyofscience
👍9
Forwarded from فلسفه ذهن
📌دیدگاه صرفا مهندسی به #هوش_مصنوعی و تقلیل #آگاهی به یکسری خروجی‌های رفتاری و کارکردی را می‌توان به وضوح در حوزه فنی #AI مشاهده کرد. نمونه این رویکرد از مقاله وینچنزو تاگلیاسکو قابل ذکر است:
📌«یک موجود آگاه مصنوعی موجودی است که ظاهراً آگاه است؛ زیرا شبیه یک انسان آگاه رفتار می‌کند.
#آگاهی_مصنوعی یک رشته ساینتیفیک نیست؛ یک حوزه تکنولوژیک است که بیشتر با #روباتیک سر و کار دارد تا با روانشناسی و #نوروساینس ... آگاهی مصنوعی باید در یک چشمانداز صرفا تکنولوژیک فهمیده شود. محققین حوزه آگاهی مصنوعی بخوبی میدانند که مطالعه آگاهی طبیعی، بسیار دور از نتیجه است».
📌در مقابل این رویکرد، علاوه بر مواضع نزدیک به #دوئالیسم، استدلال‌هایی قرار دارند که عموماً به "شوونیسم زیستشناختی" معروف‌اند و میگویند فقط ساختارهای بیولوژیکی میتوانند به آگاهی برسند. چرا؟ یا بخاطر اینکه فقط آنها برخی سطوح پیچیدگی لازم را دارا هستند، یا بخاطر اینکه فقط در آنهاست که در نتیجه فرآیند #تکامل، مجموعه مورد نیاز از تجربه تاریخی نهاده شده است، یا بخاطر اینکه فقط آنها میتوانند به شیوهای مناسب با جهان در تعامل باشند.
📌تاگلیاسکو اما برای رد این دیدگاه‌ها، تعریف #تجربه_پدیداری را کن فیکون می‌کند و به نوعی پاک‌کردن صورت مسأله دست می‌زند. او تجربه را با «گردآوری فکت‌ها از محیط برای تولید اهداف و انگیزه‌های جدید» تعریف می‌کند و در ادامه به یک پژوهش آزمایشگاهی بر روی یک روبات واکنشی اشاره می‌کند. در این آزمایش دستهای از محرکهای بصری (یکسری شکل‌های رنگشده که درون ساختار روبات کدگذاری نشده بودند) برای روبات به نمایش در میآمد. برای سیستم از پیش، انگیزه‌های مرتبط با اشیاء رنگی تعیین شده و یک محرک بدون رنگ (فارغ از شکل آن) هیچ پاسخی را برنمیانگیزد.
پس از یک دوره تعامل با اشکال رنگشده، این روبات بطور خودمختار یک هدف جدید در نسبت با شکل‌های رنگ نشده نیز سامان می‌دهد (توسعه هدف جدیدی که در زمان طراحی پیشبینی نشده بود).
📌او از این توانایی روبات به ساختن اهداف و انگیزه‌های جدید یاد می‌کند و در واقع وجود «انگیزه» بمثابه یک حالت سابجکتیو را نیز در حد خروجی رفتاری تصدیق می‌کند.
📌آیا این تقابل بین حوزه مهندسی و علوم پایه در هوش مصنوعی، قابل جمع است؟ بنظر می‌رسد هم می‌توان رویکردهایی محتمل برای تولید آگاهی مصنوعی پیشنهاد داد و هم آگاهی طبیعی و ساختار بیولوژیک آن را به رسمیت شناخت.
دیدگاه‌هایی که بر ایمرج‌کردن آگاهی از سطح نوروفیزیولوژیک تاکید دارند و بدنبال بازسازی مصنوعی پایه شبه بیولوژیک هستند، از همین قبیل‌اند.
📚See: Tagliasco, Vincenzo, 2007, "Artificial Consciousness; A Technological Discipline", In: Chella A., Manzotti R., Artificial Consciousness, Imprint Academic
@PhilMind
📌«یک موجود آگاه مصنوعی موجودی است که ظاهراً آگاه است؛ زیرا شبیه یک انسان آگاه رفتار می‌کند.
#آگاهی_مصنوعی یک رشته ساینتیفیک نیست؛ یک حوزه تکنولوژیک است که بیشتر با #روباتیک سر و کار دارد تا با روانشناسی و #نوروساینس ... آگاهی مصنوعی باید در یک چشمانداز صرفا تکنولوژیک فهمیده شود. محققین حوزه آگاهی مصنوعی بخوبی میدانند که مطالعه آگاهی طبیعی، بسیار دور از نتیجه است».
📌در مقابل این رویکرد، علاوه بر مواضع نزدیک به #دوئالیسم، استدلال‌هایی قرار دارند که عموماً به "شوونیسم زیستشناختی" معروف‌اند و میگویند فقط ساختارهای بیولوژیکی میتوانند به آگاهی برسند. چرا؟ یا بخاطر اینکه فقط آنها برخی سطوح پیچیدگی لازم را دارا هستند، یا بخاطر اینکه فقط در آنهاست که در نتیجه فرآیند #تکامل، مجموعه مورد نیاز از تجربه تاریخی نهاده شده است، یا بخاطر اینکه فقط آنها میتوانند به شیوهای مناسب با جهان در تعامل باشند.
📌تاگلیاسکو اما برای رد این دیدگاه‌ها، تعریف #تجربه_پدیداری را کن فیکون می‌کند و به نوعی پاک‌کردن صورت مسأله دست می‌زند. او تجربه را با «گردآوری فکت‌ها از محیط برای تولید اهداف و انگیزه‌های جدید» تعریف می‌کند و در ادامه به یک پژوهش آزمایشگاهی بر روی یک روبات واکنشی اشاره می‌کند. در این آزمایش دستهای از محرکهای بصری (یکسری شکل‌های رنگشده که درون ساختار روبات کدگذاری نشده بودند) برای روبات به نمایش در میآمد. برای سیستم از پیش، انگیزه‌های مرتبط با اشیاء رنگی تعیین شده و یک محرک بدون رنگ (فارغ از شکل آن) هیچ پاسخی را برنمیانگیزد.
پس از یک دوره تعامل با اشکال رنگشده، این روبات بطور خودمختار یک هدف جدید در نسبت با شکل‌های رنگ نشده نیز سامان می‌دهد (توسعه هدف جدیدی که در زمان طراحی پیشبینی نشده بود).
📌او از این توانایی روبات به ساختن اهداف و انگیزه‌های جدید یاد می‌کند و در واقع وجود «انگیزه» بمثابه یک حالت سابجکتیو را نیز در حد خروجی رفتاری تصدیق می‌کند.
📌آیا این تقابل بین حوزه مهندسی و علوم پایه در هوش مصنوعی، قابل جمع است؟ بنظر می‌رسد هم می‌توان رویکردهایی محتمل برای تولید آگاهی مصنوعی پیشنهاد داد و هم آگاهی طبیعی و ساختار بیولوژیک آن را به رسمیت شناخت.
دیدگاه‌هایی که بر ایمرج‌کردن آگاهی از سطح نوروفیزیولوژیک تاکید دارند و بدنبال بازسازی مصنوعی پایه شبه بیولوژیک هستند، از همین قبیل‌اند.
📚See: Tagliasco, Vincenzo, 2007, "Artificial Consciousness; A Technological Discipline", In: Chella A., Manzotti R., Artificial Consciousness, Imprint Academic
@PhilMind
👍6