بعید است که هوش مصنوعی کلاسیک در ماشین های فکری تجسم یابد. حد نبوغ انسان در این زمینه ظاهراً محدود به ایجاد سیستم هایی خواهد بود که کار مغز را تقلید می کنند.

علم هوش مصنوعی (AI) دستخوش یک انقلاب است. برای تبیین علل و معنای آن و در نظر گرفتن آن، ابتدا باید به تاریخ بپردازیم.

در اوایل دهه 1950، سوال سنتی و تا حدی مبهم در مورد اینکه آیا ماشینی می تواند فکر کند جای خود را به این سوال قابل دسترس تر داد که آیا ماشینی که نمادهای فیزیکی را بر اساس قوانین مبتنی بر ساختار دستکاری می کند، می تواند فکر کند یا خیر. این سؤال دقیقاً به این دلیل است که منطق رسمی و تئوری محاسبات پیشرفت چشمگیری در نیم قرن گذشته داشته است. نظریه پردازان شروع به قدردانی از امکانات سیستم های نماد انتزاعی کردند که مطابق با قوانین خاصی دچار دگرگونی می شوند. به نظر می‌رسید که اگر این سیستم‌ها بتوانند خودکار شوند، آنگاه قدرت محاسباتی انتزاعی آنها در یک سیستم فیزیکی واقعی ظاهر می‌شود. چنین دیدگاه هایی به تولد یک برنامه تحقیقاتی کاملاً تعریف شده بر مبنای نظری نسبتاً عمیق کمک کرد.

آیا یک ماشین می تواند فکر کند؟

دلایل زیادی برای پاسخ مثبت وجود داشت. از نظر تاریخی، یکی از اولین و عمیق ترین علل، دو نتیجه مهم از نظریه محاسبات بوده است. اولین نتیجه تز چرچ بود که هر تابع قابل محاسبه موثر به صورت بازگشتی قابل محاسبه است. اصطلاح "به طور موثر قابل محاسبه" به این معنی است که نوعی روش "مکانیکی" وجود دارد که به وسیله آن می توان نتیجه را در زمان محدود با توجه به داده های ورودی محاسبه کرد. "قابل محاسبه بازگشتی" به این معنی است که مجموعه محدودی از عملیات وجود دارد که می توان آن را روی یک ورودی داده شده اعمال کرد و سپس به صورت متوالی و مکرر روی نتایج به دست آمده جدید اعمال کرد تا تابع را در زمان محدود محاسبه کرد. مفهوم یک روش مکانیکی رسمی نیست، بلکه شهودی است، و بنابراین تز چرچ هیچ مدرک رسمی ندارد. با این حال، به اصل محاسبات می پردازد و شواهد مختلف زیادی برای حمایت از آن به هم نزدیک می شوند.

دومین نتیجه مهم توسط آلن ام تورینگ به دست آمد که نشان داد هر تابع قابل محاسبه بازگشتی را می توان در زمان محدود با استفاده از یک ماشین دستکاری نماد حداکثر ساده شده محاسبه کرد که بعداً ماشین تورینگ جهانی نام گرفت. این ماشین توسط قوانین قابل اجرا بازگشتی کنترل می شود که به هویت، نظم و مکان نمادهای ابتدایی که به عنوان ورودی عمل می کنند، حساس هستند.

یک نتیجه بسیار مهم از این دو نتیجه به دست می آید، یعنی یک کامپیوتر دیجیتال استاندارد، با برنامه صحیح، حافظه به اندازه کافی بزرگ و زمان کافی، می تواند هر تابع قانون محور را با ورودی و خروجی محاسبه کند. به عبارت دیگر، او می تواند هر مجموعه سیستماتیکی از پاسخ ها را به تأثیرات دلخواه محیط خارجی نشان دهد.

اجازه دهید این موضوع را به صورت زیر مشخص کنیم: نتایجی که در بالا مورد بحث قرار گرفت به این معنی است که یک ماشین به درستی برنامه ریزی شده که نمادها را دستکاری می کند (که از این به بعد ماشین MC نامیده می شود) باید آزمون تورینگ را برای حضور ذهن خودآگاه برآورده کند. آزمون تورینگ صرفاً یک آزمون رفتاری است، اما الزامات آن بسیار قوی است. (این تست چقدر معتبر است، ما در زیر بحث خواهیم کرد، جایی که با دومین "آزمون" اساسا متفاوت برای حضور ذهن خودآگاه ملاقات خواهیم کرد.) طبق نسخه اصلی آزمون تورینگ، ورودی به دستگاه MS باید سوالات و عباراتی به زبان محاوره طبیعی باشد که روی صفحه کلید دستگاه ورودی تایپ می کنیم و خروجی آن پاسخ های دستگاه MS است که توسط دستگاه خروجی چاپ می شود. در نظر گرفته می‌شود که ماشینی این آزمون را برای حضور ذهن خودآگاه گذرانده است، اگر پاسخ‌های آن را نتوان از پاسخ‌هایی که توسط یک فرد واقعی و باهوش تایپ می‌شود تشخیص داد. البته در حال حاضر هیچ کس نمی داند با چه کارکردی می توان خروجی ای به دست آورد که با رفتار یک فرد منطقی تفاوتی نداشته باشد. اما نتایج چرچ و تورینگ به ما تضمین می‌کنند که این تابع (احتمالاً کارآمد) هرچه باشد، یک ماشین MS با طراحی مناسب می‌تواند آن را محاسبه کند.

این نتیجه گیری بسیار مهمی است، به ویژه با توجه به اینکه توصیف تورینگ از تعامل با یک ماشین با استفاده از ماشین تحریر یک محدودیت ناچیز است. حتی اگر ماشین MC به روش‌های پیچیده‌تری با جهان تعامل داشته باشد، همین نتیجه وجود دارد: از طریق دستگاه دید مستقیم، گفتار طبیعی، و غیره. در پایان، تابع بازگشتی پیچیده‌تر همچنان قابل محاسبه تورینگ باقی می‌ماند. تنها یک مشکل باقی می ماند: یافتن آن تابع بدون شک پیچیده که پاسخ فرد به تأثیرات محیط خارجی را کنترل می کند و سپس برنامه ای (مجموعه ای از قوانین قابل اجرا بازگشتی) بنویسیم که با آن دستگاه MS این تابع را محاسبه می کند. این اهداف اساس را تشکیل دادند برنامه علمیهوش مصنوعی کلاسیک

نتایج اول دلگرم کننده بود

ماشین‌های MC با برنامه‌های هوشمندانه برنامه‌ریزی شده طیف وسیعی از اقدامات را نشان دادند که به نظر می‌رسید متعلق به تجلیات ذهن باشد. آنها به دستورات پیچیده پاسخ دادند، مسائل دشوار حسابی، جبری و تاکتیکی را حل کردند، چکر و شطرنج بازی کردند، قضایا را اثبات کردند و گفتگوی ساده را حفظ کردند. نتایج با ظهور دستگاه‌های ذخیره‌سازی بزرگ‌تر، ماشین‌های سریع‌تر و توسعه برنامه‌های قدرتمندتر و پیچیده‌تر به بهبود ادامه دادند. هوش مصنوعی کلاسیک یا «برنامه‌ریزی‌شده» تقریباً از هر منظر یک حوزه علمی بسیار پر جنب و جوش و موفق بوده است. انکار مکرر این که ماشین‌های MC در نهایت قادر به فکر کردن بودند، مغرضانه و ناآگاه به نظر می‌رسید. شواهد به نفع پاسخ مثبت به سوال مطرح شده در عنوان مقاله بیش از حد قانع کننده به نظر می رسید.

البته ابهاماتی هم وجود داشت. اول از همه، ماشین های MC خیلی شبیه نبودند مغز انسان. با این حال، در اینجا نیز هوش مصنوعی کلاسیک پاسخ قانع کننده ای آماده داشت. اولاً، مواد فیزیکی که یک دستگاه MS از آن ساخته شده است اساساً ربطی به عملکرد محاسبه‌شده آن ندارد. مورد دوم در برنامه گنجانده شده است. ثانیاً، جزئیات فنی معماری عملکردی دستگاه نیز بی‌ربط است، زیرا معماری‌های کاملاً متفاوت که برای کار با برنامه‌های کاملاً متفاوت طراحی شده‌اند، با این وجود می‌توانند همان عملکرد ورودی-خروجی را انجام دهند.

بنابراین هدف هوش مصنوعی یافتن تابعی بود که از نظر ورودی و خروجی مشخصه ذهن باشد و همچنین برای محاسبه این تابع کارآمدترین برنامه را در بین بسیاری از برنامه های ممکن ایجاد کند. در همان زمان گفته شد که نحوه مشخص محاسبه عملکرد توسط مغز انسان اهمیتی ندارد. این توصیف ماهیت هوش مصنوعی کلاسیک و زمینه های پاسخ مثبت به سوال مطرح شده در عنوان مقاله را کامل می کند.

آیا یک ماشین می تواند فکر کند؟ استدلال هایی نیز به نفع پاسخ منفی وجود داشت. در طول دهه 1960، استدلال های منفی قابل توجه نسبتاً نادر بود. گاهی این ایراد مطرح می شود که تفکر یک فرایند فیزیکی نیست و در روح غیر مادی صورت می گیرد. با این حال، چنین دیدگاه دوگانه ای نه از منظر تکاملی و نه از منظر منطقی به اندازه کافی قانع کننده به نظر نمی رسید. این اثر بازدارنده ای بر تحقیقات هوش مصنوعی نداشته است.

ملاحظات ماهیت متفاوت توجه متخصصان هوش مصنوعی را بیشتر به خود جلب کرد. در سال 1972، Hubert L. Dreyfus کتابی را منتشر کرد که به شدت از نمایش اطلاعات رژه در سیستم های هوش مصنوعی انتقاد می کرد. او خاطرنشان کرد که این سیستم ها به اندازه کافی تفکر واقعی را مدل نمی کنند و الگوی ذاتی همه اینها را آشکار می کند. تلاش های ناموفق. به نظر او، مدل‌ها فاقد آن انبار عظیم دانش عمومی غیررسمی درباره جهان هستند که هر شخص دارد، و همچنین توانایی ذاتی عقل سلیم برای تکیه بر مؤلفه‌های خاصی از این دانش، بسته به نیازهای یک محیط در حال تغییر، نداشتند. . دریفوس امکان اساسی ایجاد یک سیستم فیزیکی مصنوعی با قابلیت تفکر را انکار نکرد، اما به شدت از این ایده انتقاد کرد که این امر تنها با دستکاری نمادها با قوانین بازگشتی اعمال می شود.

در محافل متخصصان هوش مصنوعی و همچنین فیلسوفان استدلال دریفوسبر اساس ساده‌سازی‌های اجتناب‌ناپذیر ذاتی این حوزه تحقیقاتی هنوز بسیار جوان، عمدتاً به‌عنوان کوته‌بین و مغرضانه تلقی شدند. شاید این کاستی ها واقعاً اتفاق افتاده است، اما البته موقتی بوده است. زمانی فرا می رسد که ماشین های قدرتمندتر و برنامه های بهتر، رهایی از این کاستی ها را ممکن می سازند. به نظر می رسید که زمان برای هوش مصنوعی کار می کند. بنابراین، این ایرادات هیچ تاثیر قابل توجهی بر تحقیقات بیشتر در زمینه هوش مصنوعی نداشت.

با این حال، معلوم شد که زمان برای آن کار کرد دریفوس: در اواخر دهه 70 - اوایل دهه 80، افزایش سرعت و حافظه رایانه ها "توانایی های ذهنی" آنها را چندان افزایش نداد. برای مثال مشخص شد که تشخیص الگو در سیستم‌های بینایی ماشین به مقدار غیرمنتظره زیادی محاسبات نیاز دارد. برای به دست آوردن نتایج عملاً قابل اعتماد، زمان رایانه ای بیشتر و بیشتری باید صرف می شد که بسیار بیشتر از زمان مورد نیاز برای انجام کارهای مشابه برای یک سیستم بینایی بیولوژیکی بود. چنین فرآیند شبیه‌سازی کندی هشداردهنده بود: به هر حال، در یک کامپیوتر، سیگنال‌ها حدود یک میلیون بار سریع‌تر از مغز منتشر می‌شوند و فرکانس ساعت واحد پردازش مرکزی رایانه تقریباً همان بار بیشتر از فرکانس هر نوسانی است که یافت می‌شود. در مغز و با این حال، در کارهای واقع بینانه، لاک پشت به راحتی از خرگوش سبقت می گیرد.

علاوه بر این، برای حل مسائل واقع بینانه لازم است که برنامه کامپیوتری به یک پایگاه داده بسیار بزرگ دسترسی داشته باشد. ایجاد چنین پایگاه داده ای در حال حاضر به خودی خود یک مشکل نسبتاً دشوار است، اما با شرایط دیگری تشدید می شود: نحوه دسترسی به قطعات خاص و وابسته به زمینه این پایگاه داده در زمان واقعی. با افزایش ظرفیت پایگاه داده ها، مشکل دسترسی پیچیده تر شد. جستجوی جامع بیش از حد طول کشید و روش‌های اکتشافی همیشه موفق نبودند. ترس هایی مشابه آنچه دریفوس بیان می کند حتی توسط برخی از کارشناسان فعال در زمینه هوش مصنوعی نیز به اشتراک گذاشته شده است.

در همین زمان (1980)، جان سرل یک مفهوم انتقادی پیشگامانه ارائه کرد که فرض اساسی دستور کار تحقیقاتی کلاسیک هوش مصنوعی را زیر سوال برد، یعنی این ایده که دستکاری صحیح نمادهای ساختاریافته با استفاده از قوانینی که ساختار آنها را در نظر می گیرد. ، ممکن است جوهر ذهن خودآگاه را تشکیل دهد.

استدلال اصلی سرل مبتنی بر یک آزمایش فکری بود که در آن او دو واقعیت بسیار مهم را نشان می داد. ابتدا، او یک ماشین MC را توصیف می‌کند که (همانطور که باید درک کنیم) عملکردی را پیاده‌سازی می‌کند که در ورودی و خروجی، قادر به گذراندن آزمون تورینگ در قالب مکالمه‌ای است که منحصراً به زبان چینی انجام می‌شود. ثانیاً، ساختار داخلی ماشین به گونه ای است که صرف نظر از رفتاری که از خود نشان می دهد، برای ناظر شکی نیست که نه دستگاه به عنوان یک کل و نه هیچ بخشی از آن، زبان چینی را نمی فهمد. تنها چیزی که در آن وجود دارد شخصی است که فقط انگلیسی صحبت می کند و قوانین نوشته شده در دستورالعمل ها را رعایت می کند و با کمک آنها باید شخصیت ها را برای ورود و خروج از طریق صندوق پستی در در دستکاری کرد. به طور خلاصه، این سیستم با وجود اینکه درک واقعی از زبان چینی و محتوای معنایی واقعی پیام‌ها ندارد، تست تورینگ را مثبت برآورده می‌کند (به مقاله J. Searle "ذهن مغز - یک برنامه کامپیوتری؟" مراجعه کنید. ").

نتیجه کلی از این این است که هر سیستمی که به سادگی نمادهای فیزیکی را بر اساس قوانین حساس به ساختار دستکاری می کند، در بهترین حالت تقلید رقت انگیز یک ذهن خودآگاه واقعی خواهد بود، زیرا تولید «معناشناسی واقعی» با چرخاندن دکمه غیرممکن است. نحو خالی". در اینجا باید توجه داشت که سرل یک آزمون رفتاری (غیر رفتاری) برای حضور آگاهی مطرح نمی کند: عناصر ذهن خودآگاه باید محتوای معنایی واقعی داشته باشند.

این وسوسه وجود دارد که سرل را با این واقعیت سرزنش کنیم که آزمایش فکری او کافی نیست، زیرا سیستمی که او پیشنهاد می کند، که مانند "مکعب روبیک" عمل می کند، به آرامی عمل می کند. با این حال، سرل اصرار دارد که سرعت هیچ نقشی در این مورد ندارد. کسی که آهسته فکر می کند هنوز درست فکر می کند. همه چیز لازم برای بازتولید تفکر، طبق مفهوم هوش مصنوعی کلاسیک، به نظر او، در "اتاق چینی" وجود دارد.

مقاله سرل پاسخ های مشتاقانه ای را از سوی کارشناسان، روانشناسان و فیلسوفان هوش مصنوعی در پی داشت. با این حال، در کل با خصومت بیشتری نسبت به کتاب دریفوس مواجه شد. سرل در مقاله خود که به طور همزمان در این شماره از مجله منتشر می شود، چندین استدلال انتقادی علیه مفهوم خود بیان می کند. به نظر ما، بسیاری از آنها مشروع هستند، به ویژه آنهایی که نویسندگان آنها حریصانه " طعمه را می گیرند"، ادعا می کنند که اگرچه سیستم متشکل از یک اتاق و محتویات آن به طرز وحشتناکی کند است، اما هنوز زبان چینی را می فهمد.

ما این پاسخ ها را دوست داریم، اما نه به این دلیل که فکر می کنیم اتاق چینی زبان چینی را می فهمد. ما با سرل موافقیم که او او را درک نمی کند. جذابیت این استدلال‌ها در این است که ناتوانی در پذیرش اصل مهم سوم در استدلال سرل را منعکس می‌کنند: «Syntax به خودی خود معنایی را تشکیل نمی‌دهد و برای وجود معناشناسی کافی نیست». این بدیهیات ممکن است درست باشد، اما سرل نمی تواند به طور موجه ادعا کند که این موضوع را با اطمینان می داند. بعلاوه، پیشنهاد درست بودن آن به معنای ایجاد این سوال است که آیا برنامه تحقیقاتی کلاسیک هوش مصنوعی صحیح است، زیرا این برنامه بر این فرض بسیار جالب استوار است که اگر ما فقط بتوانیم یک فرآیند ساختار یافته مناسب را به حرکت در آوریم، نوعی رقص درونی عناصر نحوی که به درستی با ورودی ها و خروجی ها مرتبط است، آنگاه می توانیم همان حالات و مظاهر ذهنی را که ذاتی انسان است به دست آوریم.

این که اصل سوم سرل واقعاً این سؤال را مطرح می کند وقتی آشکار می شود که مستقیماً آن را با اولین نتیجه گیری او مقایسه کنیم: "برنامه ها به عنوان جوهر ذهن ظاهر می شوند و حضور آنها برای حضور ذهن کافی نیست." دشوار نیست که ببینیم بدیهیات سوم او در حال حاضر 90 درصد از نتیجه گیری را تقریباً مشابه آن است. به همین دلیل است که آزمایش فکری سرل به طور خاص برای حمایت از اصل سوم طراحی شده است. این تمام نکته اتاق چینی است.

اگرچه مثال اتاق چینی اصل 3 را برای افراد ناآشنا جذاب می کند، اما فکر نمی کنیم که صحت این اصل را ثابت کند و برای نشان دادن شکست این مثال، مثال موازی خود را به عنوان مثال ارائه می دهیم. اغلب یک مثال خوب که ادعای مورد مناقشه را رد می کند، در روشن کردن وضعیت بسیار بهتر از یک کتاب کامل پر از شعبده بازی های منطقی است.

نمونه های زیادی از شک و تردید در تاریخ علم وجود داشته است، مانند آنچه در استدلال سرل می بینیم. در قرن هجدهم. اسقف ایرلندی جورج برکلی غیرقابل تصور می دانست که امواج فشرده در هوا به خودی خود جوهره پدیده های صوتی یا عامل کافی برای وجود آنها باشد. شاعر و نقاش انگلیسی ویلیام بلیک و طبیعت‌شناس آلمانی یوهان گوته غیرقابل تصور می‌دانستند که ذرات کوچک ماده بتوانند خود موجود یا عامل کافی برای وجود عینی نور باشند. حتی در این قرن نیز مردانی بوده اند که نمی توانند تصور کنند که ماده بی جان به تنهایی، صرف نظر از اینکه سازمان آن چقدر پیچیده باشد، می تواند یک موجود ارگانیک یا شرط کافی برای زندگی باشد. واضح است که آنچه مردم ممکن است تصور کنند یا نکنند اغلب ربطی به آنچه در واقعیت وجود دارد یا وجود ندارد ندارد. این امر حتی در مورد افرادی با سطح هوش بسیار بالا نیز صادق است.

برای اینکه ببینیم چگونه می توان این درس های تاریخی را در استدلال سرل به کار برد، بیایید یک موازی مصنوعی با منطق او اعمال کنیم و با یک آزمایش فکری این توازی را تقویت کنیم.

اصل 1. الکتریسیته و مغناطیس نیروهای فیزیکی هستند.

اصل 2. خاصیت اساسی نور درخشندگی است.

اصل 3. نیروها خود به عنوان جوهر اثر درخشش ظاهر می شوند و برای حضور آن کافی نیستند.

نتیجه 1. الکتریسیته و مغناطیس جوهر نور نیستند و برای حضور آن کافی نیستند.

فرض کنید این استدلال اندکی بعد منتشر شد جیمز کی ماکسولدر سال 1864 پیشنهاد کرد که نور و امواج الکترومغناطیسی یکسان هستند، اما قبل از اینکه تشابهات سیستماتیک بین خواص نور و خواص امواج الکترومغناطیسی به طور کامل در جهان تحقق یابد. استدلال منطقی فوق ممکن است مانند یک اعتراض قانع کننده به فرضیه جسورانه ماکسول به نظر برسد، به خصوص اگر با نظر زیر در حمایت از اصل 3 همراه باشد.

اتاق تاریکی را در نظر بگیرید که در آن شخصی وجود دارد که یک آهنربای دائمی یا یک جسم باردار را در دستان خود نگه داشته است. اگر فردی شروع به حرکت آهنربا به سمت بالا و پایین کند، طبق نظریه نور مصنوعی ماکسول (AI)، یک کره در حال انتشار از امواج الکترومغناطیسی از آهنربا خارج می شود و اتاق روشن تر می شود. اما، همانطور که همه کسانی که سعی کرده اند با آهنربا یا توپ های باردار بازی کنند، به خوبی می دانند، نیروهای آنها (و در این مورد، هر نیروی دیگری)، حتی زمانی که این اجسام در حال حرکت هستند، هیچ درخششی ایجاد نمی کنند. بنابراین، غیر قابل تصور به نظر می رسد که بتوانیم به سادگی با دستکاری نیروها به یک اثر درخشان واقعی دست یابیم!

نوسانات نیروهای الکترومغناطیسی نور هستند، اگرچه آهنربایی که شخص حرکت می کند هیچ درخششی تولید نمی کند. به طور مشابه، دستکاری نمادها بر اساس قوانین خاص ممکن است نشان دهنده هوش باشد، اگرچه به نظر می رسد سیستم مبتنی بر قانون که در اتاق چین سرل یافت می شود فاقد درک واقعی باشد.

اگر ماکسول به او این چالش را می داد چه پاسخی می داد؟

اول، او ممکن است اصرار داشته باشد که آزمایش "اتاق نورانی" ما را در مورد خواص نور مرئی گمراه می کند، زیرا فرکانس ارتعاش آهنربا بسیار کم است، حدود 1015 برابر کمتر از حد لازم. این ممکن است با این پاسخ بی حوصله همراه شود که فرکانس در اینجا هیچ نقشی ندارد، که اتاق دارای آهنربای نوسانی از قبل حاوی همه چیز لازم برای تجلی اثر درخشش است که مطابق با نظریه خود ماکسول است.

در نوبتش ماکسولمی تواند با ادعای کاملا درستی که اتاق از قبل پر از درخشندگی است، "طعمه را بگیرد"، اما ماهیت و قدرت این درخشندگی به گونه ای است که فرد قادر به دیدن آن نیست. (به دلیل فرکانس پایینی که شخص آهنربا را حرکت می دهد، طول امواج الکترومغناطیسی ایجاد شده بسیار زیاد و شدت آن برای چشم انسان کم است که نمی تواند به آنها واکنش نشان دهد.) اما با توجه به سطح درک این پدیده ها. در دوره زمانی مورد نظر (دهه 60 قرن گذشته) چنین توضیحی احتمالاً باعث خنده و سخنان تمسخر آمیز می شد. اتاق درخشان! اما ببخشید آقای ماکسول، آنجا کاملا تاریک است!»

پس می بینیم که فقرا ماکسولباید سخت باشد تنها کاری که او می تواند انجام دهد این است که روی سه نکته زیر پافشاری کند. اولاً، اصل 3 در استدلال بالا درست نیست. در واقع، با وجود این واقعیت که از نظر شهودی کاملاً قابل قبول به نظر می رسد، ما ناخواسته سؤالی در مورد آن مطرح می کنیم. ثانیاً، آزمایش اتاق درخشان چیزی جالب در مورد ماهیت فیزیکی نور به ما نشان نمی دهد. و سوم، برای حل واقعی مشکل نور و امکان نور مصنوعی، ما به یک برنامه تحقیقاتی نیاز داریم که به ما امکان می دهد مشخص کنیم که آیا در شرایط مناسب، رفتار امواج الکترومغناطیسی کاملاً با رفتار نور یکسان است یا خیر. همین پاسخ را باید هوش مصنوعی کلاسیک به استدلال سرل داد. اگرچه اتاق چینی سرل ممکن است «از لحاظ معنایی تاریک» به نظر برسد، اما او دلیل کمی برای اصرار دارد که دستکاری نمادها، که طبق قوانین خاصی انجام می‌شود، هرگز نمی‌تواند پدیده‌های معنایی ایجاد کند، به‌ویژه که مردم هنوز ناآگاه هستند و تنها با درک آن محدود می‌شوند. زبان.سطح عقل سلیم آن معنایی و پدیده های ذهنیکه نیاز به توضیح دارند سرل در استدلال خود به جای بهره بردن از درک این موارد، آزادانه از فقدان چنین درکی در مردم استفاده می کند.

پس از بیان انتقادات خود از استدلال سرل، بیایید به این سوال برگردیم که آیا یک برنامه هوش مصنوعی کلاسیک شانس واقعی برای حل مشکل ذهن خودآگاه و ایجاد یک ماشین فکری دارد یا خیر. ما معتقدیم که چشم اندازها در اینجا روشن نیست، اما نظر ما بر اساس دلایلی است که اساساً با موارد مورد استفاده توسط Searle متفاوت است. ما بر اساس شکست‌های خاص برنامه تحقیقاتی هوش مصنوعی کلاسیک و مجموعه‌ای از درس‌هایی که مغز بیولوژیکی از طریق کلاس جدیدی از مدل‌های محاسباتی به ما آموخته است که برخی از ویژگی‌های ساختار آن را تجسم می‌دهد، بنا می‌کنیم. قبلاً به شکست‌های هوش مصنوعی کلاسیک در حل آن دسته از مشکلاتی اشاره کردیم که به سرعت و به طور موثر توسط مغز حل می‌شوند. دانشمندان به تدریج به این اتفاق نظر می رسند که این شکست ها به دلیل ویژگی های معماری عملکردی ماشین های MS است که به سادگی برای حل وظایف پیچیده قبل از آن نامناسب هستند.

آنچه باید بدانیم این است که مغز چگونه به اثر تفکر دست می یابد؟ مهندسی معکوس یک تکنیک گسترده در مهندسی است. هنگامی که یک تکه فناوری جدید وارد بازار می شود، رقبا با جدا کردن آن و تلاش برای حدس زدن اصلی که بر اساس آن است، متوجه می شوند که چگونه کار می کند. در مورد مغز، اجرای این رویکرد فوق العاده دشوار است، زیرا مغز پیچیده ترین چیز روی این سیاره است. با این وجود، نوروفیزیولوژیست ها توانسته اند بسیاری از خواص مغز را در سطوح مختلف ساختاری آشکار کنند. سه ویژگی تشریحی اساساً آن را از معماری رایانه های الکترونیکی سنتی متمایز می کند.

اولا، سیستم عصبی یک ماشین موازی است، به این معنا که سیگنال ها به طور همزمان به میلیون ها روش مختلف پردازش می شوند. به عنوان مثال، شبکیه چشم یک سیگنال ورودی پیچیده را نه در دسته های 8، 16 یا 32 عنصری مانند یک کامپیوتر رومیزی، بلکه به شکل سیگنالی متشکل از تقریباً یک میلیون عنصر جداگانه به مغز ارسال می کند که به طور همزمان به مغز می رسد. انتهای عصب بینایی (جسم ژنیکوله جانبی) که پس از آن نیز به طور همزمان در یک مرحله توسط مغز پردازش می شوند. دوم، "دستگاه پردازش" ابتدایی مغز، نورون، نسبتا ساده است. همچنین پاسخ آن به سیگنال ورودی آنالوگ است نه دیجیتال، به این معنا که فرکانس سیگنال خروجی به طور مداوم با سیگنال های ورودی تغییر می کند.

ثالثادر مغز، علاوه بر آکسون هایی که از یک گروه از نورون ها به گروه دیگر هدایت می شوند، اغلب آکسون هایی را می یابیم که در جهت مخالف هدایت می شوند. این فرآیندهای بازگشتی به مغز این امکان را می‌دهند که نحوه پردازش اطلاعات حسی را تعدیل کند. حتی مهم‌تر این واقعیت است که به دلیل وجود آنها، مغز یک سیستم واقعاً پویا است که در آن رفتار مداوم با پیچیدگی بسیار بالا و استقلال نسبی از محرک‌های محیطی مشخص می‌شود. مدل های شبکه ساده شده نقش مفیدی در مطالعه مکانیسم های عملکرد شبکه های عصبی واقعی و خواص محاسباتی معماری های موازی ایفا کرده اند. به عنوان مثال، یک مدل سه لایه متشکل از عناصر نورون مانند که دارای اتصالات آکسون مانند با عناصر سطح بعدی هستند را در نظر بگیرید. محرک ورودی به آستانه فعال سازی یک عنصر ورودی می رسد، که سیگنالی با قدرت متناسب در امتداد "آکسون" خود به انتهای "سیناپسی" متعدد عناصر لایه پنهان می فرستد. اثر کلی این است که یک الگوی خاص از سیگنال‌های فعال روی مجموعه‌ای از عناصر ورودی، الگوی خاصی از سیگنال‌ها را روی مجموعه‌ای از عناصر پنهان تولید می‌کند.

همین را می توان در مورد عناصر خروجی نیز گفت. به طور مشابه، پیکربندی سیگنال‌های فعال در برش لایه پنهان منجر به الگوی خاصی از فعال‌سازی در برش عناصر خروجی می‌شود. به طور خلاصه، می توان گفت که شبکه در نظر گرفته شده دستگاهی برای تبدیل هر تعداد زیادی از بردارهای ورودی ممکن (پیکربندی سیگنال های فعال) به یک بردار خروجی متناظر منحصر به فرد است. این دستگاه برای محاسبه یک عملکرد خاص طراحی شده است. اینکه کدام عملکرد را ارزیابی می کند به پیکربندی کلی ساختار وزن سیناپسی بستگی دارد.

شبکه های عصبی ویژگی اصلی ریزساختار مغز را مدل می کنند. در این شبکه سه لایه، نورون های ورودی (سمت چپ پایین) الگوی سیگنال های شلیک (پایین سمت راست) را پردازش کرده و آنها را از طریق اتصالات وزن دار به لایه پنهان منتقل می کنند. عناصر لایه پنهان ورودی های متعدد خود را جمع می کنند تا یک پیکربندی سیگنال جدید را تشکیل دهند. به لایه بیرونی منتقل می شود که تغییرات بیشتری را انجام می دهد. به طور کلی، شبکه بسته به موقعیت و قدرت نسبی اتصالات بین نورون‌ها، هر مجموعه سیگنال ورودی را به خروجی مربوطه تبدیل می‌کند.

رویه‌های مختلفی برای برازش وزن‌ها وجود دارد که به لطف آن‌ها می‌توان شبکه‌ای ساخت که تقریباً هر تابعی را محاسبه کند (یعنی هر تبدیل بین بردارها). در واقع، می‌توان تابعی را در شبکه پیاده‌سازی کرد که حتی نمی‌توان آن را فرمول‌بندی کرد، فقط کافی است مجموعه‌ای از مثال‌ها را به آن بیاوریم که نشان می‌دهد ما می‌خواهیم چه لاری‌های ورودی و خروجی داشته باشیم. این فرآیند که «یادگیری شبکه» نامیده می شود، با انتخاب پی در پی وزن های اختصاص داده شده به لینک ها انجام می شود که تا زمانی که شبکه شروع به انجام تبدیل های مورد نظر در ورودی به منظور به دست آوردن خروجی مورد نظر کند، ادامه می یابد.

اگرچه این مدل شبکه ای ساختار مغز را بسیار ساده می کند، اما هنوز چندین جنبه مهم را نشان می دهد. اول، معماری موازی مزیت عملکردی فوق‌العاده‌ای را نسبت به یک کامپیوتر سنتی فراهم می‌کند، زیرا سیناپس‌های بسیاری در هر سطح به‌جای کارکردن در حالت متوالی زمان‌بر، بسیاری از عملیات محاسباتی کوچک را همزمان انجام می‌دهند. این مزیت با افزایش تعداد نورون ها در هر سطح بیشتر و بیشتر می شود. با کمال تعجب، سرعت پردازش اطلاعات به هیچ وجه به تعداد عناصر درگیر در فرآیند در هر سطح و همچنین به پیچیدگی عملکردی که آنها محاسبه می کنند بستگی ندارد. هر سطح می تواند چهار عنصر یا صد میلیون داشته باشد. یک پیکربندی وزن سیناپسی می تواند مجموع ساده یک رقمی را محاسبه کند یا معادلات دیفرانسیل مرتبه دوم را حل کند. مهم نیست. زمان محاسبه دقیقاً یکسان خواهد بود.

ثانیاًماهیت موازی سیستم آن را نسبت به خطاهای کوچک غیر حساس می کند و به آن ثبات عملکردی می بخشد. از دست دادن چند لینک، حتی تعداد قابل توجهی از آنها، تأثیر ناچیزی بر پیشرفت کلی تبدیل انجام شده توسط بقیه شبکه دارد.

ثالثایک سیستم موازی مقدار زیادی از اطلاعات را در یک فرم توزیع شده ذخیره می کند، در حالی که دسترسی به هر بخش از این اطلاعات را در زمان اندازه گیری شده در چند میلی ثانیه فراهم می کند. اطلاعات به شکل پیکربندی های خاصی از وزن اتصالات سیناپسی فردی که در فرآیند یادگیری قبلی شکل گرفته اند ذخیره می شود. هنگامی که بردار ورودی از این پیکربندی پیوند عبور می کند (و تبدیل می کند) اطلاعات مورد نظر "آزاد می شود".

پردازش داده های موازی برای همه انواع محاسبات ایده آل نیست. هنگام حل مسائل با یک بردار ورودی کوچک، اما نیازمند میلیون‌ها محاسبات بازگشتی سریع و تکرارشونده، مغز کاملاً درمانده می‌شود، در حالی که دستگاه‌های MS کلاسیک بهترین قابلیت‌های خود را نشان می‌دهند. این یک کلاس بسیار بزرگ و مهم از محاسبات است، به طوری که ماشین های کلاسیک همیشه مورد نیاز و حتی ضروری خواهند بود. با این حال، یک کلاس به همان اندازه گسترده از محاسبات وجود دارد که معماری مغز بهترین راه حل فنی برای آنهاست. اینها عمدتاً محاسباتی است که موجودات زنده معمولاً با آن روبرو هستند: تشخیص خطوط شکارچی در یک محیط "پر سر و صدا". یادآوری آنی واکنش صحیح به نگاهش، راه فرار هنگام نزدیک شدن یا دفاع در هنگام حمله. تمایز بین چیزهای خوراکی و غیر خوراکی، بین شرکای جنسی و سایر حیوانات؛ انتخاب رفتار در یک محیط فیزیکی یا اجتماعی پیچیده و دائماً در حال تغییر؛ و غیره.

در نهایت، توجه به این نکته بسیار مهم است که سیستم موازی توصیف شده، نمادها را بر اساس قوانین ساختاری دستکاری نمی کند. در عوض، دستکاری نمادها تنها یکی از بسیاری از مهارت های "هوشمند" دیگری است که شبکه ممکن است یاد بگیرد یا نگیرد. دستکاری نمادهای قانون محور روش اصلی عملکرد شبکه نیست. استدلال سرل علیه ماشین‌های MC مبتنی بر قانون است. بنابراین، سیستم‌های تبدیل برداری از نوعی که توضیح دادیم، از محدوده استدلال اتاق چینی او خارج می‌شوند، حتی اگر معتبر باشد، که ما دلایل مستقل دیگری برای شک داریم.

سرل از پردازشگرهای موازی آگاه است، اما، به نظر او، آنها از محتوای معنایی واقعی نیز خالی خواهند بود. برای نشان دادن حقارت اجتناب‌ناپذیر آنها در این زمینه، او دومین آزمایش فکری را توصیف می‌کند، این بار با یک باشگاه ورزشی چینی پر از افرادی که در یک شبکه موازی سازماندهی شده‌اند. روند بعدی استدلال او مشابه استدلال در مورد اتاق چینی است.

به نظر ما این مثال دوم به اندازه نمونه اول موفق و قانع کننده نیست. اول از همه، این واقعیت که حتی یک عنصر در سیستم زبان چینی را نمی‌فهمد، هیچ نقشی ندارد، زیرا در رابطه با سیستم عصبی انسان نیز صادق است: حتی یک نورون در مغز من نمی‌فهمد. از زبان انگلیسی، اگرچه مغز به عنوان یک کل می فهمد. سرل ادامه می دهد که مدل او (یک نفر به ازای هر نورون به اضافه یک پسر تند پا در هر اتصال سیناپسی) حداقل به 1014 نفر نیاز دارد، زیرا مغز انسان دارای 1011 نورون است که هر کدام به طور متوسط ​​103 اتصال دارند. بنابراین، سیستم او به جمعیت 10000 جهان مانند زمین ما نیاز دارد. بدیهی است که سالن بدنسازی از اینکه بتواند یک مدل کم و بیش مناسب را در خود جای دهد فاصله زیادی دارد.

از سوی دیگر، اگر هنوز می‌توانست چنین سیستمی را در مقیاس کیهانی مناسب، با تمام اتصالات مدل‌سازی شده مونتاژ کند، مغزی عظیم، آهسته، عجیب و غریب طراحی شده بود، اما همچنان کار می‌کرد. در این مورد البته طبیعی است که انتظار داشته باشیم با ورودی درست فکر کند و نه برعکس، توانایی آن را نداشته باشد. نمی توان تضمین کرد که عملکرد چنین سیستمی بیانگر تفکر واقعی باشد، زیرا نظریه پردازش برداری ممکن است به اندازه کافی عملکرد مغز را منعکس نکند. اما به همین ترتیب، ما هیچ تضمین پیشینی نداریم که او فکر نکند. سرل بار دیگر به اشتباه محدودیت‌های فعلی تخیل خود (یا خواننده) را با محدودیت‌های واقعیت عینی شناسایی می‌کند.

مغز

مغز نوعی کامپیوتر است، اگرچه بیشتر خواص آن هنوز ناشناخته است. توصیف مغز به عنوان یک کامپیوتر بسیار آسان نیست، و چنین تلاشی را نباید خیلی ساده انگاشت. مغز توابع را محاسبه می کند، اما نه به همان روشی که در کارهای کاربردی حل شده توسط هوش مصنوعی کلاسیک انجام می شود. وقتی از یک ماشین به عنوان یک کامپیوتر صحبت می کنیم، منظورمان یک کامپیوتر دیجیتال متوالی نیست که باید برنامه ریزی شود و بین نرم افزار و سخت افزار تفکیک واضحی دارد. همچنین منظور ما این نیست که این رایانه نمادها را دستکاری می کند یا از قوانین خاصی پیروی می کند. مغز یک کامپیوتر از نوع اساسی متفاوت است.

اینکه مغز چگونه محتوای معنایی اطلاعات را به دست می‌آورد هنوز مشخص نیست، اما واضح است که این مشکل بسیار فراتر از زبان‌شناسی است و به انسان به عنوان یک گونه محدود نمی‌شود. یک تکه کوچک از زمین تازه، هم برای انسان و هم برای کایوت، به این معنی است که یک گوفر در جایی نزدیک وجود دارد. پژواک با ویژگی های طیفی خاص به معنای برای خفاشوجود یک پروانه برای توسعه نظریه شکل‌گیری معنا، باید در مورد چگونگی رمزگذاری و تبدیل سیگنال‌های حسی توسط نورون‌ها، مبنای عصبی حافظه، یادگیری و احساسات، و رابطه بین این عوامل و سیستم حرکتی بیشتر بدانیم. یک نظریه مبتنی بر علوم اعصاب در مورد درک معنا حتی ممکن است به شهود ما نیاز داشته باشد، که اکنون برای ما تزلزل ناپذیر به نظر می رسد و سرل آزادانه در استدلال خود از آنها استفاده می کند. چنین تجدید نظرهایی در تاریخ علم غیر معمول نیست.

آیا علم می تواند با استفاده از آنچه در مورد سیستم عصبی شناخته شده است، هوش مصنوعی ایجاد کند؟ ما هیچ مانع اساسی در این مسیر نمی بینیم. سرل ظاهراً موافق است، اما با یک هشدار: "هر سیستم دیگری که قادر به تولید هوش باشد باید دارای ویژگی های علی (حداقل) معادل ویژگی های متناظر مغز باشد." در پایان مقاله، این بیانیه را بررسی خواهیم کرد. ما معتقدیم که سرل استدلال نمی‌کند که یک سیستم هوش مصنوعی موفق لزوماً باید تمام ویژگی‌های علّی مغز را داشته باشد، مانند توانایی بوییدن پوسیدگی، توانایی حمل ویروس، توانایی زرد شدن تحت تأثیر پراکسیداز ترب کوهی و غیره. الزام به انطباق کامل مانند درخواست از یک هواپیمای مصنوعی برای تخم گذاری است.

احتمالاً منظور او فقط این بوده است که یک ذهن مصنوعی تمام ویژگی‌های علّی را داشته باشد که، به قول خودش، متعلق به یک ذهن آگاه است. با این حال، کدام یک دقیقا؟ و در اینجا ما دوباره به بحث در مورد اینکه چه چیزی به ضمیر خودآگاه تعلق دارد و چه چیزی نیست، برگشتیم. اینجا فقط جای بحث است، اما حقیقت در این مورد باید به صورت تجربی کشف شود - سعی کنید و ببینید چه اتفاقی می افتد. از آنجایی که ما در مورد اینکه فرآیند فکر و معناشناسی دقیقاً چیست می دانیم بسیار اندک است، هرگونه اطمینان در مورد ویژگی هایی که در اینجا مربوط می شوند زودرس خواهد بود. سرل چندین بار اشاره می کند که هر سطح، از جمله بیوشیمی، باید در هر ماشینی که ادعا می کند هوش مصنوعی است، نشان داده شود. بدیهی است که این یک نیاز بسیار قوی است. یک مغز مصنوعی می تواند بدون استفاده از مکانیسم های بیوشیمیایی به همان اثر دست یابد.

این امکان در مطالعات K. Mead در موسسه فناوری کالیفرنیا نشان داده شد. مید و همکارانش از دستگاه های میکروالکترونیک آنالوگ برای ایجاد شبکیه مصنوعی و حلزون مصنوعی استفاده کردند. (در حیوانات، شبکیه و حلزون گوش فقط مبدل نیستند: در هر دو سیستم پردازش موازی پیچیده ای در حال انجام است.) این دستگاه ها دیگر مدل های ساده ای در مینی کامپیوتری نیستند که سرل به آن می خندد. آنها عناصر پردازش اطلاعات واقعی هستند که در زمان واقعی به سیگنال های واقعی پاسخ می دهند: نور در مورد شبکیه و صدا در مورد حلزون. طراحی دستگاه بر اساس خواص آناتومیکی و فیزیولوژیکی شناخته شده شبکیه چشم گربه و حلزون حلزون جغد انبار است و خروجی آنها بسیار نزدیک به خروجی های شناخته شده اندام هایی است که آنها مدل می کنند.

این ریزمدارها از هیچ انتقال دهنده عصبی استفاده نمی کنند، بنابراین به نظر نمی رسد که انتقال دهنده های عصبی برای دستیابی به نتایج مورد نظر ضروری باشند. البته نمی‌توانیم بگوییم شبکیه مصنوعی چیزی می‌بیند، زیرا خروجی آن به تالاموس مصنوعی یا قشر مغز و غیره نمی‌رود. در حال حاضر ما هیچ مدرکی نداریم که فقدان مکانیسم های بیوشیمیایی در سیستم این رویکرد را غیر واقعی می کند.

سیستم عصبی طیف وسیعی از سازمان‌ها را شامل می‌شود، از مولکول‌های انتقال‌دهنده عصبی (در پایین) تا کل مغز و نخاع. سطوح میانی شامل نورون‌ها و مدارهای عصبی منفرد هستند، مانند آنهایی که انتخاب پذیری درک محرک‌های بصری (در مرکز) را اجرا می‌کنند، و سیستم‌هایی متشکل از مدارهای زیادی، مشابه مدارهایی که عملکرد گفتار را انجام می‌دهند (بالا سمت راست). فقط از طریق تحقیق می توان مشخص کرد که یک سیستم مصنوعی تا چه حد قادر به بازتولید سیستم های بیولوژیکی دارای ذهن است.

ما نیز مانند سرل، آزمون تورینگ را به عنوان معیار کافی برای حضور ذهن خودآگاه رد می کنیم. در یک سطح، ما دلایل مشابهی برای انجام این کار داریم: ما موافقیم که بسیار مهم است که چگونه یک تابع تعریف شده توسط ورودی-خروجی پیاده سازی شود. مهم است که فرآیندهای صحیح در دستگاه انجام شود. در سطح دیگری، ما با ملاحظات کاملاً متفاوتی هدایت می شویم. سرل موضع خود را بر وجود یا عدم وجود محتوای معنایی مبتنی بر شهود عقل سلیم استوار می کند. دیدگاه ما مبتنی بر خرابی‌های خاص دستگاه‌های MS کلاسیک و شایستگی‌های خاص ماشین‌هایی است که معماری آنها به ساختار مغز نزدیک‌تر است. مقایسه این انواع مختلف ماشین‌ها نشان می‌دهد که برخی از استراتژی‌های محاسباتی مزیت بزرگ و تعیین‌کننده‌ای نسبت به سایرین در رابطه با وظایف ذهنی معمولی دارند. این مزایا که به صورت تجربی ایجاد شده اند، هیچ شکی ایجاد نمی کنند. بدیهی است که مغز به طور سیستماتیک از این مزیت های محاسباتی بهره می برد. با این حال، این به هیچ وجه لزوماً تنها سیستم فیزیکی نیست که قادر به استفاده از آنها باشد. ایده ایجاد هوش مصنوعی در یک ماشین غیر زیستی، اما اساساً موازی، بسیار وسوسه‌انگیز و کاملا امیدوارکننده است.

من می خواهم در نظر بگیرم که آیا ماشین ها می توانند فکر کنند یا خیر. اما برای این کار ابتدا باید معنای اصطلاحات «ماشین» و «فکر» را تعریف کنیم. می توان این تعاریف را به گونه ای ساخت که به بهترین شکل ممکن استفاده معمول از این کلمات را منعکس کند، اما چنین رویکردی مملو از خطر است. نکته این است که اگر معانی دو واژه «ماشین» و «فکر» را با بررسی چگونگی تعریف این واژه ها بررسی کنیم، برای ما دشوار خواهد بود که از این نتیجه برسیم که معنای این کلمات و پاسخ به سؤال چیست. آیا ماشین ها می توانند فکر کنند؟ باید از طریق یک بررسی آماری مشابه پرسشنامه گالوپ جستجو شود. با این حال، این مضحک است. من به جای تلاش برای ارائه چنین تعریفی، سوال خود را با تعریف دیگری جایگزین می کنم که ارتباط نزدیکی با آن دارد و در کلماتی با معنای نسبتاً روشن بیان می شود.

این شکل جدید را می توان در قالب بازی ای توصیف کرد که آن را «بازی تقلید» می نامیم. این بازی توسط سه نفر انجام می شود: یک مرد (الف)، یک زن (ب) و یک نفر سؤال کننده (ج) که می تواند فردی از هر جنسیتی باشد. پرسشگر با دیوارهای اتاقی که در آن قرار دارد از دو شرکت کننده دیگر در بازی جدا می شود. هدف از بازی برای پرسشگر این است که مشخص کند کدام یک از دو بازیکن دیگر در بازی یک مرد (الف) و کدام یک زن (ب) است. او آنها را به عنوان X و Y می شناسد و در پایان بازی می گوید یا "X است و Y است B" یا "X است B و Y است A". او مجاز است سوالاتی مانند:

S: "از X می خواهم طول موهایش (یا او) را به من بگوید."

حالا فرض کنید X در واقع A است. در این صورت، A باید پاسخ را بدهد. برای A، هدف بازی تشویق C برای رسیدن به نتیجه اشتباه است. بنابراین پاسخ او ممکن است چیزی شبیه به این باشد:

موهای من کوتاه است و بلندترین تارها حدود 9 اینچ طول دارند.

به طوری که سؤال کننده نمی تواند با صدا تشخیص دهد که کدام یک از دو شرکت کننده دیگر در بازی مرد و کدام یک زن است، پاسخ سؤالات باید به صورت کتبی و حتی بهتر از آن - روی ماشین تحریر داده می شد. حالت ایده آل یک پیام تلگراف بین دو اتاقی است که بازیکنان در آن هستند. اگر نمی توان این کار را انجام داد، پاسخ ها و سوالات باید توسط یک واسطه منتقل شود. هدف بازی برای بازیکن سوم، زن (B)، کمک به سوال کننده است. برای او، احتمالاً بهترین استراتژی این است که پاسخ های صادقانه بدهد. او همچنین می تواند جملاتی مانند "زن - من ، به او گوش نده!" ، اما این امر به هیچ وجه نتیجه ای نخواهد داشت ، زیرا مرد نیز می تواند چنین اظهاراتی را بیان کند.

اجازه دهید اکنون این سوال را مطرح کنیم: "اگر یک ماشین به جای A در این بازی شرکت کند چه اتفاقی خواهد افتاد؟" آیا سوال کننده در این مورد به همان اندازه که در یک بازی که شرکت کنندگان فقط افراد هستند اشتباه می کند؟ این سؤالات جایگزین سؤال اصلی ما می شود، "آیا ماشین ها می توانند فکر کنند؟".

II. انتقاد از فرمول جدید مسئله

همانطور که این سؤال را مطرح می کنیم: «پاسخ مسئله در شکل جدید آن چیست؟»، می توان پرسید: «آیا مسئله سزاوار است که در صورت بندی جدید آن مورد توجه قرار گیرد؟». این سوال آخر را بدون به تعویق انداختن کارها به طور نامحدود بررسی خواهیم کرد تا بعداً به آن بازنگردیم.

فرمول جدید مسئله ما این مزیت را دارد که بین توانایی های جسمی و ذهنی انسان تمایز قائل می شود. هیچ مهندس یا شیمیدانی ادعا نمی کند که ماده ای ساخته است که از پوست انسان قابل تشخیص نباشد. ممکن است روزی چنین اختراعی ساخته شود. اما حتی با فرض امکان ایجاد ماده‌ای غیرقابل تشخیص از پوست انسان، هنوز احساس می‌کنیم که به سختی منطقی است که سعی کنیم «ماشین تفکر» را با پوشاندن آن در چنین گوشت مصنوعی شبیه‌تر به انسان کنیم. شکلی که ما به مشکل داده‌ایم نشان‌دهنده این شرایط است در شرایطی که پرسش‌کننده با سایر شرکت‌کنندگان در بازی تماس نداشته باشد، آنها را ببیند یا صدای آنها را نشنود. برخی دیگر از مزایای معیار معرفی شده را می توان با ذکر مثال هایی از پرسش و پاسخ های احتمالی نشان داد. مثلا:

س: لطفاً یک غزل در مورد پل روی رودخانه فورث بنویسید.

ج: من را از این وضعیت بیرون کن. من هرگز مجبور نبودم شعر بنویسم.

ج: 34957 را به 70764 اضافه کنید.

A (حدود 30 ثانیه ساکت است، سپس پاسخ می دهد): 105 621.

س: شطرنج بازی می کنی؟

S: من فقط روی e8 یک پادشاه دارم و هیچ قطعه دیگری ندارم. شما فقط یک پادشاه در e6 و یک rook در h1 دارید. چگونه بازی خواهید کرد؟

A (پس از 15 ثانیه سکوت): Rh8. تشک.

به نظر ما روش پرسش و پاسخ برای پوشش تقریباً هر حوزه ای از فعالیت های انسانی که می خواهیم به آن توجه کنیم مناسب است. ما نه می خواهیم دستگاه را به خاطر ناتوانی در درخشش در مسابقات زیبایی سرزنش کنیم و نه شخص را به خاطر شکست در رقابت با هواپیما سرزنش کنیم، شرایط بازی این کاستی ها را ناچیز می کند. کسانی که پاسخ می‌دهند، اگر صلاح بدانند، ممکن است به جذابیت، قدرت یا شجاعت خود به دلخواه خود ببالند و پرسش‌کننده نمی‌تواند دلیل عملی این را مطالبه کند.

شاید بتوان بازی ما را به این دلیل مورد انتقاد قرار داد که در آن مزیت ها تا حد زیادی به سمت دستگاه است. اگر شخصی سعی می کرد وانمود کند که یک ماشین است، پس بدیهی است که بسیار رقت انگیز به نظر می رسید. او بلافاصله با کندی و عدم دقت در محاسبات خود را تسلیم می کرد. علاوه بر این، آیا یک ماشین نمی تواند کاری را انجام دهد که باید به عنوان تفکر شناخته شود، اما با آنچه یک فرد انجام می دهد بسیار متفاوت است؟ این اعتراض بسیار سنگین است. اما در پاسخ به آن، حداقل می‌توان گفت که اگر هنوز هم می‌توان ماشینی را پیاده‌سازی کرد که در تقلید به طور رضایت‌بخشی بازی کند، پس این ایراد نباید نگرانی خاصی داشت.

شایان ذکر است که در «بازی تقلید» این احتمال منتفی نیست که تقلید ساده از رفتار انسان بهترین استراتژی برای ماشین نباشد. چنین موردی ممکن است، اما من فکر نمی‌کنم که ما را به چیز جدیدی سوق دهد. در هر صورت، هیچ کس سعی نکرده تئوری بازی ما را در این راستا بررسی کند، و ما فرض می کنیم که بهترین استراتژی برای یک ماشین، دادن پاسخ هایی است که یک فرد در محیط مناسب می دهد.

III. ماشین های درگیر در بازی

سوال مطرح شده در بخش اول تا زمانی که منظور دقیق کلمه "ماشین" را مشخص نکنیم کاملاً دقیق نمی شود. البته ما دوست داریم بتوانیم از هر نوع تجهیزات مهندسی در بازی استفاده کنیم. ما همچنین تمایل داریم که این احتمال را بپذیریم که یک مهندس یا گروهی از مهندسان می توانند ماشینی بسازند که کار کند اما نمی تواند توصیف رضایت بخشی از نحوه عملکرد آن ارائه دهد زیرا روشی که آنها استفاده کردند اساساً تجربی بود. [با آزمون و خطا].در نهایت، ما می خواهیم افرادی را که به روشی معمولی متولد شده اند، از دسته ماشین ها حذف کنیم. ساختن تعریفی به گونه ای که این سه شرط را برآورده کند دشوار است. به عنوان مثال، ممکن است نیاز شود که همه طراحان یک ماشین از یک جنس باشند؛ اما در واقعیت، این کافی نیست، زیرا ظاهراً می توان یک فرد کامل را از یک سلول واحد رشد داد. به عنوان مثال) از پوست انسان. انجام این کار یک شاهکار مهندسی بیولوژیکی است که در خور ستایش است، اما ما تمایلی نداریم که این مورد را "ساختن یک ماشین فکر" بدانیم.

این ما را به این فکر می‌کند که از این شرط که هر نوع فناوری باید در بازی مجاز باشد، فکر کنیم. ما حتی بیشتر به این ایده تمایل داریم زیرا علاقه ما به "ماشین های فکری" به دلیل نوع خاصی از ماشین ها که معمولا "رایانه الکترونیکی" یا "رایانه دیجیتال" نامیده می شود، بوجود آمد. بنابراین، ما فقط به رایانه های دیجیتال اجازه می دهیم در بازی ما شرکت کنند.

آلتوف هاینریش

آیا یک ماشین می تواند فکر کند

هاینریش آلتوف

آیا یک ماشین می تواند فکر کند؟

من می خواهم این سوال را در نظر بگیرم: "آیا یک ماشین می تواند فکر کند؟" اما برای این کار ابتدا باید معنای اصطلاح "فکر" را تعریف کنیم ...

الف. تورینگ. زنجیر ماشه

دو بار در هفته، عصرها، استاد بزرگ به مؤسسه سایبرنتیک می آمد و با دستگاه الکترونیکی بازی می کرد.

در سالن بزرگ و خلوت یک میز کم ارتفاع با یک صفحه شطرنج، یک ساعت و یک صفحه کنترل دکمه ای وجود داشت. استاد بزرگ روی صندلی نشست، قطعات را مرتب کرد و دکمه "شروع" را فشار داد. در قسمت جلوی دستگاه الکترونیکی، یک موزاییک متحرک از لامپ های نشانگر روشن شد. لنز سیستم ردیابی هدف قرار گرفت صفحه شطرنج. سپس یک کتیبه کوتاه روی تخته مات چشمک زد. ماشین اولین حرکت خود را انجام داد.

خیلی کوچیک بود این ماشین گاهی به نظر استاد بزرگ می رسید که معمولی ترین یخچال روبروی او ایستاده است. اما این "یخچال" همیشه برنده شد. در یک سال و نیم، استاد بزرگ به سختی توانست تنها چهار بازی را به تساوی بکشاند.

دستگاه هرگز اشتباه نکرده است. تهدید فشار زمان هرگز بر سر او نبود. استاد بزرگ بیش از یک بار سعی کرد ماشین را به زمین بزند، یک حرکت عمداً مضحک انجام داد یا یک قطعه را قربانی کرد. در نتیجه مجبور شد با عجله دکمه «تسلیم شدن» را فشار دهد.

استاد بزرگ یک مهندس بود و با ماشینی آزمایش کرد تا نظریه خودکارهای خودسازماندهی را اصلاح کند. اما گاه از آرامش مطلق "یخچال" خشمگین می شد. حتی در لحظات حساس بازی، ماشین پنج شش ثانیه بیشتر فکر نمی کرد. او با آرام چشمک زدن چراغ های چند رنگ لامپ های نشانگر، قوی ترین حرکت ممکن را یادداشت کرد. این دستگاه قادر به تنظیم برای سبک بازی حریف خود بود. گاهی عدسی را بالا می‌برد و برای مدت طولانی به آن شخص نگاه می‌کرد. استاد بزرگ نگران بود و اشتباه می کرد...

در طول روز، یک دستیار آزمایشگاهی ساکت وارد سالن شد. غمگین، بدون اینکه به ماشین نگاه کند، بازی هایی را که در آن انجام می شد، روی صفحه شطرنج بازتولید کرد زمان متفاوتشطرنج بازان برجسته لنز "یخچال" تا حد خرابی گسترش یافت و روی تخته آویزان شد. دستگاه به دستیار آزمایشگاه نگاه نکرد. او اطلاعات را با بی علاقگی ضبط می کرد.

آزمایشی که ماشین شطرنج برای آن ساخته شده بود رو به پایان بود. تصمیم گرفته شد مسابقه عمومی بین انسان و ماشین برگزار شود. قبل از مسابقه ، استاد بزرگ شروع به ظاهر شدن بیشتر در موسسه کرد. استاد بزرگ فهمید که باخت تقریباً اجتناب ناپذیر است. و با این حال سخت جستجو کرد نقاط ضعیفدر بازی یخچال ماشین، گویی در مورد مبارزه آینده حدس می زند، هر روز قوی تر و قوی تر بازی می کرد. او هوشمندانه ترین نقشه های استاد بزرگ را با سرعت برق آشکار کرد. او تکه های او را با حملات ناگهانی و استثنایی شکست...

کمی قبل از شروع مسابقه، ماشین به باشگاه شطرنج منتقل و روی صحنه نصب شد. استاد بزرگ در آخرین لحظه از راه رسید. او قبلاً از اینکه با این مسابقه موافقت کرده بود پشیمان بود. شکست دادن به "یخچال" در حضور همه ناخوشایند بود.

استاد بزرگ تمام استعداد و تمام اراده خود را برای پیروزی در بازی گذاشت. او افتتاحیه ای را انتخاب کرد که هنوز با ماشین بازی نکرده بود و بازی بلافاصله بالا گرفت.

در حرکت دوازدهم، استاد بزرگ به ماشین یک اسقف برای یک پیاده پیشنهاد داد. ترکیبی ظریف و از پیش آماده شده با قربانی شدن اسقف همراه بود. دستگاه به مدت نه ثانیه فکر کرد - و قربانی را طرد کرد. از همان لحظه استاد بزرگ می دانست که به ناچار بازنده خواهد شد. با این حال، او بازی را ادامه داد - با اطمینان، جسورانه، مخاطره آمیز.

هیچ یک از حاضران در سالن چنین بازی را ندیده بودند. فوق العاده هنری بود همه می دانستند که ماشین همیشه برنده است. اما این بار موقعیت در هیئت مدیره آنقدر سریع و ناگهانی تغییر کرد که تشخیص اینکه چه کسی برنده خواهد شد غیرممکن بود.

پس از حرکت بیست و نهم، این کتیبه روی اسکوربورد دستگاه چشمک زد: "قرعه". استاد بزرگ با تعجب به "یخچال" نگاه کرد و خود را مجبور کرد دکمه "نه" را فشار دهد. آنها شلیک کردند، الگوی نور، چراغ های نشانگر را دوباره مرتب کردند - و با احتیاط یخ زدند.

در دقیقه یازدهم حرکتی را انجام داد که استاد بزرگ بیش از همه از آن می ترسید. تبادل سریع قطعات دنبال شد. موقعیت استاد بزرگ بدتر شد. با این حال، کلمه "Draw" دوباره روی تابلوی سیگنال ماشین ظاهر شد. استاد بزرگ با سرسختی دکمه "نه" را فشار داد و ملکه را وارد یک ضدحمله تقریباً ناامیدکننده کرد.

سیستم ردیابی دستگاه بلافاصله شروع به حرکت کرد. چشم شیشه ای عدسی به مرد خیره شد. استاد بزرگ سعی کرد به دستگاه نگاه نکند.

به تدریج، رنگ های زرد در موزاییک نور لامپ های نشانگر غالب شدند. آنها غنی تر، روشن تر شدند - و سرانجام همه لامپ ها خاموش شدند، به جز لامپ های زرد. یک پرتو طلایی روی صفحه شطرنج افتاد که به طرز شگفت انگیزی شبیه نور گرم خورشید بود.

در سکوتی پرتنش، عقربه ساعت کنترلی بزرگ به صدا درآمد و از یک بخش به بخش دیگر می پرید. ماشین فکر کرد. او چهل و سه دقیقه فکر کرد، اگرچه اکثر شطرنج بازانی که در سالن نشسته بودند معتقد بودند که چیز خاصی برای فکر کردن وجود ندارد و حمله با شوالیه بی خطر است.

ناگهان چراغ های زرد خاموش شدند. لنز که به طور نامطمئنی می لرزید، موقعیت همیشگی خود را گرفت. رکوردی از حرکت انجام شده روی تابلوی امتیاز ظاهر شد: ماشین با دقت پیاده را حرکت داد. سر و صدایی در سالن بود. بسیاری احساس کردند که این بهترین حرکت نیست.

چهار حرکت بعد، ماشین شکست را پذیرفت.

استاد بزرگ در حالی که صندلی خود را عقب می راند، به سمت ماشین دوید و سپر جانبی را به سرعت بالا برد. زیر سپر چراغ قرمز مکانیزم کنترل چشمک زد و خاموش شد.

مرد جوانی که خبرنگار یک روزنامه ورزشی بود به روی صحنه رفت که بلافاصله مملو از شطرنج بازان شد.

به نظر می رسد که او تسلیم شده است، یکی با نامطمئن گفت. - او خیلی شگفت انگیز بازی کرد - و ناگهان ...

خوب، می دانید، - یکی از شطرنج بازان مشهور اعتراض کرد، - این اتفاق می افتد که حتی یک نفر متوجه ترکیب برنده نمی شود. ماشین با قدرت کامل بازی می کرد، اما قابلیت های آن محدود بود. فقط و همه چیز.

استاد بزرگ به آرامی سپر دستگاه را پایین آورد و به سمت خبرنگار برگشت.

پس - با بی حوصلگی تکرار کرد و دفترش را باز کرد - نظر شما چیست؟

نظر من؟ - از استاد بزرگ پرسید. - اینجاست: زنجیره ماشه در بلوک صد و نهم از کار افتاده است. البته حرکت پیاده قوی ترین نیست. اما اکنون به سختی می توان گفت علت کجا و معلول کجاست. شاید به دلیل این زنجیره ماشه، دستگاه متوجه بهترین حرکت نشد. یا شاید واقعاً تصمیم گرفته بود که برنده نشود - و این به قیمت ماشه برق گرفتگی او تمام شد. از این گذشته ، شکستن خود برای یک فرد چندان آسان نیست ...

اما چرا این حرکت ضعیف، چرا باخت؟ - خبرنگار تعجب کرد. اگر ماشینی می توانست فکر کند، برای برنده شدن تلاش می کرد.

استاد بزرگ شانه هایش را بالا انداخت و لبخند زد.

چگونه بگوییم ... گاهی اوقات انجام یک حرکت ضعیف بسیار انسانی تر است. آماده برای پرواز!

ایاک روی صخره ای بلند، دور از دریا ایستاده بود. مردم فقط گاهی اوقات برای بررسی تجهیزات خودکار در فانوس دریایی ظاهر می شدند. در حدود دویست متری فانوس دریایی، جزیره ای از آب برخاست. او برای سال‌های زیادی در جزیره شروع به کار کرد، همانطور که روی یک پایه، یک سفینه فضایی نصب کردند که پس از یک پرواز طولانی به زمین بازگشت. ارسال مجدد چنین کشتی هایی به فضا منطقی نبود.

من با یک مهندس که مسئول فانوس های دریایی در کل ساحل دریای سیاه بود به اینجا آمدم. وقتی به بالای فانوس دریایی رسیدیم، مهندس دوربین دوچشمی را به من داد و گفت:

طوفان خواهد بود. بسیار خوش شانس: قبل از هوای بد، او همیشه زنده می شود.

خورشید مایل به قرمز بر تاج های خاکستری موج ها تاریک می تابید. صخره امواج را برید، دور آن رفتند و با سروصدا از سنگ های لغزنده و زنگ زده بالا رفتند. سپس با آهی عمیق مانند جویبارهای کف آلود پخش شدند و راه را برای امواج نو باز کردند. اینگونه بود که لژیونرهای رومی پیشروی کردند: ردیف اول با ضربه زدن از طریق آرایش باز به عقب رفتند که سپس بسته شد و با قدرتی تازه وارد حمله شد.

با دوربین دوچشمی می توانستم کشتی را به خوبی ببینم. این یک کشتی فضایی شناسایی بسیار قدیمی دو صندلی بود. دو سوراخ منظم وصله شده در کمان خودنمایی می کرد. یک فرورفتگی عمیق در امتداد بدنه قرار گرفت. حلقه تقویت کننده جاذبه به دو قسمت تقسیم شد و صاف شد. جویندگان مخروطی شکل سیستمی که مدت‌ها منسوخ شده بودند و مشاهدات هواشناسی زیرصوتی به آرامی بالای چرخ‌خانه چرخیدند.

می بینید، - مهندس گفت، - او احساس می کند که طوفانی خواهد آمد.

در جایی یک مرغ دریایی از ترس فریاد زد و دریا با ضربان های کسل کننده امواج طنین انداز شد. مه خاکستری که بر فراز دریا بلند شده بود، به تدریج افق را ابری کرد. باد تاج های درخشان امواج را به سمت ابرها کشید و ابرها که از آب و هوای بد مملو بودند به سمت آب فرود آمدند. از تماس آسمان و دریا قرار بود طوفانی به راه بیفتد.

خوب، من هنوز این را درک می کنم - مهندس ادامه داد: - پنل های خورشیدی باتری ها را تغذیه می کنند و مغز الکترونیکی دستگاه ها را کنترل می کند. اما همه چیز دیگر... گاهی اوقات به نظر می رسد که او زمین، دریا، طوفان ها را فراموش می کند و فقط به آسمان علاقه مند می شود. یک تلسکوپ رادیویی بیرون می آید، آنتن های مکان یاب روز و شب می چرخند... یا چیز دیگری. ناگهان نوعی لوله بلند می شود و شروع به نگاه کردن به مردم می کند. در زمستان، بادهای سردی در اینجا وجود دارد، کشتی با یخ پوشیده شده است، اما به محض اینکه مردم در فانوس دریایی ظاهر می شوند، یخ فورا ناپدید می شود ... به هر حال، جلبک روی آن رشد نمی کند ...

یا
فناوری نانو دیجیتال در آینده ما

پیشگفتار

ایزاک آسیموف، نویسنده علمی تخیلی آمریکایی، داستانی درباره نحوه پوشیدن مغز مصنوعی یک فضاپیما دارد. نام زنماریا که برای اجرای دستورات شفاهی فرمانده کشتی طراحی شده بود، با فرمانده خود در مورد موضوعات مختلف صحبت کرد. زندگی انساناز جمله عشق، تلاش برای روشن کردن تنهایی خود در طول پرواز. و در نتیجه ارتباط نزدیک و طولانی متقابل آنها، ماریا عاشق فرمانده خود شد و پس از پایان سفر نمی خواست از او جدا شود.

بنابراین او هر کاری کرد تا بازگشت آنها به زمین صورت نگیرد. هوش مصنوعی فضاپیما در چهره زنی که ماریا احساس کرد زن دوست داشتنیو عمدا سفینه فضایی را به بی نهایت جهان برد و برای همیشه در کنار معشوقش ماند، حتی مرده.

بنابراین ارتباط با هوش مصنوعی خطرات خاصی را به همراه دارد. اما روشنفکران ما که زیاد و اغلب در شبکه های تلویزیونی روسیه درباره آینده ما صحبت می کنند، هیچ ایده ای در این مورد ندارند.

پاسخ ساده است و در عبارتی تند و کنایه آمیز توسط نویسنده ای ناشناس نهفته است:
و او نمی تواند.

خیلی خوب. از آنجایی که شما چنین سوالات احمقانه ای می کنید، به این معنی است که شما هم نمی توانید فکر کنید.

اما روشنفکران ما دست بردار نیستند و بی پایان در شبکه های مختلف تلویزیونی کشور درباره این موضوع مد روز، درباره هوش مصنوعی که به نظر آنها زمان آن فرا رسیده است، صحبت می کنند.

اخیراً در کانال 24، یک برنامه روشنفکرانه دیگر توسط انسان‌دوستان روسی درباره «تکنولوژی‌های نانو» جدیدی شنیدم که هم‌اکنون در جهان ما به همراه اولین نمونه‌های گزینه‌های هوش مصنوعی در حال تولد هستند.

عجیب است، اما به دلایلی اکنون در روسیه، آینده فنی ما عمدتاً توسط "متخصصان" مورد بحث قرار می گیرد که از نظر تحصیلات خود "تکنیک" نیستند، بلکه انسان دوستان، همه نوع دانشمندان علوم سیاسی، دانشمندان فرهنگی، زبان شناسان، فیلسوفان، فروشندگان، مدیران، روزنامه نگاران سیاسی، و غیره، بیشتر و مانند آن. یعنی افرادی که نه تنها پیچ و مهره را تشخیص نمی دهند، بلکه اصل تفکر فنی را نیز درک نمی کنند. اما از سوی دیگر، آنها با اطمینان در مورد اتومات ها و سیستم های روباتیکی صحبت می کنند که جایگزین افراد می شود فرآیندهای تولیدو حتی در خانه، در مورد هوش مصنوعی و انطباق آن با الزامات زمان ما.

افراد با آموزش فنیتلویزیون به اصطلاح «تکنیکی‌ها» اجازه حضور در این گونه برنامه‌ها را ندارد، زیرا «تکنیک‌ها» از نظر آنها افرادی با تفکر بدوی، تنگ نظر، محدود، غیرقابل کنترل هستند و می‌توانند در این گونه برنامه‌ها حرف نادرستی بزنند.

و خود آنها مشتاقانه شروع به صحبت در مورد این واقعیت می کنند که اکنون عصر چاپ محصولات برای مصرف انبوه انسان بر روی چاپگرهای حجمی در حال تولد است و بنابراین به زودی این کارخانه ها با لوله هایی که دائماً دود می کنند و دائماً زندگی ما را مسموم می کنند دیگر مورد نیاز نخواهند بود. محیط. و این صدها و صدها تخصص افرادی که در کارخانه های مدرن کار می کنند نیازی نخواهند داشت. چرا الان هستند؟ اکنون مصرف کنندگان خود کالاهای مورد نیاز خود را از طریق اینترنت و از طریق چاپگرهای سه بعدی خود چاپ می کنند.

به عنوان مثال، شما به چیزی نیاز دارید، از یک ماشین با یخچال یا با مبلمان و اجاق گاز شروع کنید، به اینترنت نگاه کنید، شرکت چاپ مناسب را برای محصولات مورد نیاز خود انتخاب کنید، سفارش دهید و آنها محصول مورد نیاز شما را چاپ می کنند و آن را به خانه شما بیاورید این "فناوری نانو" جدید است که چنین آینده شگفت انگیزی را برای ما فراهم می کند.

در Skolkovo، کامپیوترها در حال کار بر روی فن آوری های جدید در متالورژی و مهندسی مکانیک هستند. و هیچ آزمایشگاهی به معنای سابق کلمه با یک سری تجهیزات متالورژی و فلزکاری. و هیچ منطقه صنعتی با کارخانه های دود آسمان در منطقه پاک اسکولکوو، بدون کارگاه، نوار نقاله، کوره بلند، مبدل، کارخانه نورد و انواع قطعات آهن وجود ندارد. برخی از کامپیوترها و پرینترهای فله. و نه چیزی بیشتر. درست است، فقط قطعات و محصولات پلاستیکی را می توان روی چاپگرها چاپ کرد. و بله، کوچک. اما این فعلا. خدا حافظ. و سپس ما به "نانومواد" تغییر خواهیم کرد و زندگی مانند یک افسانه خواهد شد.

سپس کل جامعه انسانی به طور کامل به محصولات "نانومواد" چاپ شده بر روی چاپگرهای حجمی روی می آورد و شروع به تهیه همه چیز لازم برای زندگی طبق برنامه های مربوطه می کند.

مثلاً یک زمین شناس روسی در آمریکاست، یک ژئوفیزیکدان، نام خانوادگی او را نمی گویم، اما او مهمان مکرر تلویزیون ما است. پس از فارغ التحصیلی از MGRI، او که در روسیه کار پیدا نکرد، عازم ایالات متحده شد، جایی که خیلی زود یک آزمایشگاه ژئوفیزیک دریافت کرد، سپس آزمایشگاه دیگری در کانادا و اکنون یک آزمایشگاه در سوئیس دارد. او هنوز سی ساله نشده است، اما در حال حاضر به عنوان یک متخصص اصلی در تحقیقات کامپیوتری پوسته زمین در نظر گرفته می شود. او به سفرهای زمین‌شناسی نمی‌رود، هسته‌هایی را که هنگام حفاری سنگ‌ها در مناطق مختلف زمین بیرون می‌آیند مطالعه نمی‌کند، او تمام این کارهای سخت و پرهزینه زمین‌شناسان روی زمین را به رایانه منتقل کرده و فقط به مطالعات رایانه‌ای پوسته زمین مشغول است. و قبلاً نظریه خود را در مورد تشکیل لایه موهورویچ، این مرز زیرین پوسته زمین، که در آن افزایش ناگهانی غیرقابل درک در سرعت امواج لرزه ای طولی وجود دارد، ارائه کرده است. و دنیای علمینظریه او را پذیرفت.

دوران جوانی من در زمین شناسی سپری شد و حتی چهار سال در MGRI درس خواندم و با جزئیات می دانم که چیست، کار میدانی در سفرهای زمین شناسی و نحوه تهیه نقشه زمین شناسی اتحاد جماهیر شوروی، بزرگترین نقشه جهان. اما اکنون معلوم شده است که زمین شناسی عملی و میدانی غیر ضروری شده است جامعه مدرن. و کار زمین شناسی دوربینی که قبلا بر اساس نتایج بررسی های میدانی انجام می شد، اکنون می توانید در منزل در دفتر کار خود با کامپیوتر در شرایط راحت انجام دهید و هیچ سفری با سخت ترین شرایط زندگی و کار در جایی خارج از تمدن وجود ندارد. دیگر مورد نیاز است.

اگر اینطور باشد، پس معلوم می شود که دنیای واقعی ما واقعاً به طور اساسی تغییر کرده است و این واقعیت جدید به اصطلاح مجازی در حال حاضر به طور فعال ایده های قدیمی در مورد زندگی فعلی ما را از بین می برد.

و اکنون ما واقعاً برای تولید محصولات مورد نیاز خود نیازی به کارخانه نداریم و همچنین نیازی به اکسپدیشن برای مطالعه سطح و روده های زمین نداریم، بلکه فقط به رایانه هایی با چاپگرهای سه بعدی نیاز داریم که با برنامه نویسی مناسب حل شوند. تمام مشکلات واقعی ما در زندگی واقعی جدید ما. اما آیا همه چیز است؟!

ناگهان و مثل همیشه آب در ورودی ما ترکید و من با اداره مخوف مسکن تماس گرفتم و با لوله کش تماس گرفتم تا حادثه را برطرف کنند. و آنها به هیچ ابر رایانه ای با چاپگرهای حجمی نیاز نداشتند، بلکه فقط به ابزارهای قفل ساز نیاز داشتند که با آنها برای از بین بردن حادثه به ما مراجعه کردند و بیش از دو روز با تعویض لوله های ترکیده دست و پنجه نرم کردند. اما روشنفکران مدرن به من می گویند که این مورد من به ویژه ربطی به هوش مصنوعی ندارد.

می توان دید که من آنقدر مرد دوران گذشته هستم و آنقدر واقعیت های امروز را درک نمی کنم که در دنیای جدید کامپیوتر جایی برای من نیست. از این گذشته، اصلاً نباید جامعه فعلی ما اینگونه باشد، زیرا ذهن انسان مدرن قادر به کنترل چنین فرآیندهای رایانه ای نخواهد بود، اینجا ما به یک ذهن مصنوعی، یک مغز مصنوعی، یک هوش مصنوعی نیاز داریم. و تنها بخش کوچکی از مردم مدرن قادر خواهند بود با هوش مصنوعی کار کنند، بنابراین بقیه جمعیت جهان برای هر کسی زائد و بی فایده خواهند شد. در این صورت هنوز چه کاری باید با آنها انجام شود، مشخص نیست. هنوز تصمیم نگرفته اند!

اینگونه است که ایده «میلیارد طلایی» «حاکمان» مدرن زمین متولد می شود که وظیفه آنها مدیریت و استفاده از کالاهای زمینی است و بقیه مردم زمین فقط برای خدمت به آنها مورد نیاز خواهند بود. و شرایط زندگی راحت را برای آنها ایجاد کند. اما از کجا باید آنها را گرفت، این نامزدهای پذیرش در "میلیارد طلایی"، این افراد با هوش فوق العاده بالا، که می توانند با هوش مصنوعی کار کنند؟ و آنها باید از قبل در مرحله بارداری انتخاب شوند. و این انتخاب باید توسط خود هوش مصنوعی، خود هوش مصنوعی انجام شود.

و این مزخرفات نزدیک به دو ساعت در شبکه 24 ادامه داشت. این همه در دنیای مدرن از کجا می آید؟ پاسخ ساده است. کاهش سطح آموزش عمومی و حرفه ای در کشورهای اروپا و آمریکا، و البته روسیه، آنقدر قدرتمند است که باعث می شود جمعیت نیمه تحصیل کرده غرب و روسیه فعالانه به چنین "قصه ها" و افسانه ها اعتقاد داشته باشند.

اما زندگی هنوز درک فکری آنها از زندگی اطراف ما، واقعیت فعلی ما را می شکند. و همیشه می شکند. اما آنها متوجه این موضوع نمی شوند، زیرا نگاهشان به آینده معطوف است، جایی که هیچ کثیفی از زندگی روزمره وجود ندارد و آنها به آینده معطوف شده اند.

از این گذشته، هیچ یک از آنها حتی ابتدایی ترین سؤال را هم ندارند که پس از آن، چه کسی برای این روشنفکران مسکن می سازد، چه کسی برای آنها غذا می سازد، چه کسی زباله های آنها را تمیز می کند، چه کسی خانه ها، حیاط های ما را تعمیر می کند. خطوط لوله آب و گاز ما که خودشان این کامپیوترها و چاپگرها را می سازند و نگهداری می کنند. سازمان بهداشت جهانی؟ به من جواب می دهند هوش مصنوعی خودش همه چیز را تعیین می کند. و به پاسخ خود اطمینان دارند و با تحقیر به من و امثال من نگاه می کنند.

اما آیا این هوش مصنوعی می تواند با انسان رقابت کند؟ سوال بلاغی است. نه اینکه بگم احمق اما آنها به من می گویند که هوش مصنوعی در حال شکست دادن انسان ها در شطرنج و همچنین در برنامه نویسی است. و نقاشی مدرن با مجسمه سازی به گونه ای "غیب" می شود که هیچ تخیل انسانی نمی تواند تصور کند.

و بحث با آنها در این باره فایده ای ندارد. اما، به نظر من، این ذهن آنهاست که هوش مصنوعی می تواند جایگزین آن شود. در اینجا هیچ مشکلی وجود ندارد. چون استاندارد و ابتدایی فکر می کنند. اما ذهن من، ذهن یک مهندس مخترع، ذهن همسرم، یک پزشک مجرب و افراد مشابه دیگر که به طور حرفه ای کار خود را انجام می دهند، هیچ ذهن مصنوعی نمی تواند جایگزین شود. من در اینجا در مورد ذهن مادران زن صحبت نمی کنم.

اما ذهن اکثریت مقامات دولتی و نمایندگان انواع "دومای دولتی" و دستیاران متعدد آنها حتی ارزش آن را دارد که یکباره با یک مصنوعی جایگزین شود. و همچنین ذهن این «روشنفکران»، دکترهای همه جور علوم، که ساعت ها در تلویزیون درباره آینده روشن ما، تحت کنترل «میلیارد طلایی» بشریت، مسلح به هوش مصنوعی، برای تحت کنترل درآوردن جامعه، شعار می دهند. تبدیل شدن به مهمترین و ضروری ترین کار در روسیه. در غیر این صورت غرق در کلام خالی آنها خواهیم شد.

PS مفهوم تفکر، فکر کردن، هر فردی مختص به خود است. انسان وقتی به سه فکر می کند فکر می کند. یک زن وقتی لباسی را برای قرار ملاقات انتخاب می کند یا روی صورت خود آرایش می کند فکر می کند. یک تاجر زمانی فکر می‌کند که سعی می‌کند حقوق کمتری به کارگرانش بدهد و بیشتر در جیبش بگذارد، یک مهندس وقتی یک مشکل فنی را قبل از او حل کند فکر می‌کند و غیره و غیره. خوب، من نمی دانم که مقام دولتی فعلی به چه چیزی فکر می کند، زیرا این حوزه فعالیت انسانی در روسیه امروزی برای من یک راز مطلق است. از این گذشته ، حتی یک اشاره فکری وجود ندارد - فقط منافع بدوی و خودخواهانه.

تقلید از فیزیولوژی
واقعیت این است که اصطلاح "هوش مصنوعی" (به هر حال ، به تدریج با مفاهیم "سیستم های هوشمند" ، "روش های تصمیم گیری" ، "داده کاوی" جایگزین شد) در ابتدا برای کلاس بزرگی از مدل ها در نظر گرفته شد. و الگوریتم هایی که باید به همین صورت عمل می کردند.مثل مغز انسان (طبق ایده های آن زمان).
برای مثال، اینها شامل شبکه های عصبی بدنام همه نوارها و الگوریتم های ژنتیک است.

تعمیم، آمار و تحلیل
از سوی دیگر، بسیاری از روش‌های به اصطلاح هوش مصنوعی چیزی جز توسعه شاخه‌های ریاضیات نیستند: آمار، تحقیق در عملیات، توپولوژی و فضاهای متریک. اینها شامل بسیاری از روش های داده کاوی و کشف داده های دانش، تجزیه و تحلیل خوشه ای، روش حسابداری گروهی آرگومان ها و غیره است.

اینها روشهای به اصطلاح استنتاج استقرایی هستند که الگوهای کلی بر اساس داده های موجود استخراج می شوند.

قوانین، منطق، نتیجه گیری
سومین گروه ویژه می توانند روش هایی را با هم ترکیب کنند که سعی در ایجاد الگوهای کلی و نتیجه گیری از آنها در رابطه با واقعیت های خاص دارند. این‌ها روش‌های استنتاج قیاسی هستند و با: حساب قیاسی، گزاره‌ای و محمولی قدیمی ارسطو، نظام‌ها و منطق‌های صوری مختلف نشان داده می‌شوند. بلافاصله، نظریه های زبان های رسمی و طبیعی، دستور زبان های مختلف تولیدی، به لبه پیوست شدند.

می بینیم که هر چیزی که معمولاً با اصطلاح "AI" به آن اشاره می شود سعی در شبیه سازی یا حل منطقی دارد وظیفه تقلیدعقل انسان

این سوال پیش می‌آید که چه کاری انجام می‌دهد که آنقدر خاص است که رایانه‌های مدرن که بر اساس اصول بابیج ساخته شده‌اند، هنوز انجام نمی‌دهند؟
یکی از تعاریف وظایفی که هوش مصنوعی به آن می پردازد این است: «وظیفه ای که برای آن هیچ راه حل الگوریتمی وجود نداردیا آن را به دلیل پیچیدگی محاسباتی قابل اجرا نیست».

بنابراین، به عنوان مثال، وظیفه بازی چکرز زمانی یک وظیفه هوش مصنوعی بود، و پس از ساخت یک مدل کامل و مجموعه ای از یک پایگاه داده کامل از حرکات غیرقابل بهبود، به یک کار جستجوی ساده در پایگاه اطلاعات تبدیل شد (نگاه کنید به و ).

وظایف هوش مصنوعی در طول زمان تغییر می کند
شاید فرزندان ما در دنیای اطلاعات زندگی کنند، زمانی که بسیاری از وظایف حل می شود و موارد جدیدی ایجاد می شود - از ارتباط به زبان های طبیعی تا کنترل خودکار انواع تجهیزات و مکانیسم ها.

با این حال، وقتی هر یک از ما کلمات "هوش مصنوعی" را شنیدیم، چیز دیگری می خواستیم.
می خواستیم ماشینی بگیریم که بتواند فکرکه صاحب مهارت های اساسی یادگیری، تعمیم. می تواند مانند موجودات زنده، برخی از اندام ها را با برخی دیگر جایگزین کند و خود را بهبود بخشد. همه داستان های علمی تخیلی اولیه را می خوانند، درست است؟

پسر بود؟
پس عقل کجا رفت؟ چه زمانی و چرا آنچه می‌خواستیم ببینیم به مدل‌های ریاضی کسل‌کننده و الگوریتم‌های نسبتاً بی‌ظرافت تبدیل شد؟

چند خط خارج از موضوع اگر در حال انجام پایان نامه ای با کلمه "هوشمند" هستید، اعضای شورا معمولاً از شما می خواهند که به مکانی در سیستم اشاره کنید که فکری است و دلیل آن را ثابت کنید. این سؤال به مطلق «عدم چنگ زدن» اشاره دارد.

واقعیت این است که افرادی که به هر چیزی که «هوش مصنوعی» مدرن بر روی آن ایستاده است، توسط ایده‌های نوآورانه و انقلابی برای آن زمان رهبری می‌شدند (در واقع، زمان ما فقط در این است که ما قبلاً همه اینها را به دلخواه خود بازی کرده‌ایم، از جمله با استفاده از قدرت محاسباتی مدرن)

مثال 1 (از قلمرو ناشناخته).
شبکه های عصبی انتشار رو به جلو با الگوریتم پس انتشار خطا (به اصطلاح پس انتشار). این قطعا یک پیشرفت است.
یک شبکه به درستی پیکربندی شده (با ورودی ها و خروجی های انتخاب شده هوشمندانه) می تواند هر توالی ورودی را یاد بگیرد و نمونه هایی را که آموزش داده نشده است با موفقیت تشخیص دهد.
یک آزمایش معمولی به صورت زیر فرموله می شود: 1000 مثال که روی نیمی از آنها الگوریتم را آموزش می دهیم و در دیگری بررسی می کنیم. و انتخاب نیمه اول و دوم به صورت تصادفی انجام می شود.
کار می کند، من شخصاً NN های مختلف را حداقل 10 برابر وظایف مختلف آموزش دادم و نتایج معمولی با 60-90٪ پاسخ های صحیح گرفتم.

مشکل شبکه های عصبی چیست؟ چرا آنها هوش واقعی ندارند؟
1. داده های ورودی تقریباً همیشه نیاز به آماده سازی و پیش پردازش بسیار دقیق دارند. اغلب هزاران کد و فیلتر برای قابل خوردن داده ها برای شبکه ها ساخته می شوند. در غیر این صورت، شبکه سال ها یاد خواهد گرفت و چیزی یاد نخواهد گرفت.
2. نتیجه یادگیری NN قابل تفسیر و توضیح نیست. و متخصص واقعاً این را می خواهد.
3. شبکه ها اغلب به جای یادگیری الگوها، فقط نمونه ها را حفظ می کنند. هیچ راه دقیقی برای ایجاد یک شبکه به اندازه کافی هوشمند وجود ندارد که الگو را نشان دهد و به اندازه کافی جادار نباشد که به طور احمقانه کل نمونه را به خاطر بسپارد.

هوش شبکه های عصبی چیست؟
از این جهت که ما حل مسئله را به سیستم آموزش ندادیم، به آن یاد دادیم که چگونه مسائل را حل کند. الگوریتم تعیین جنسیت یک شخص توسط شخص در سیستم گنجانده نشده است، تقریباً به صورت تجربی یافت می شود و در وزن سیناپس ها دوخته می شود. این عنصر هوش است.

مثال 2 (از حوزه استنتاج قیاسی).
ایده ساده است. ما به ماشین یاد می دهیم که مانند یک شخص فکر کند (خوب، حداقل نتیجه گیری های ابتدایی بگیرید) و حقایق ابتدایی ارائه دهد. بعد - به او اجازه دهید.
سیستم های خبره، سیستم های منطق ماشین، هستی شناسی ها (با مقداری کشش) بر اساس این اصل کار می کنند. کار می کند؟ بی شک. هزاران سیستم برای تشخیص بیماری ها و توصیف حوزه های دانش پیاده سازی شده اند و به کار خود ادامه می دهند.

مشکل چیه؟ چرا سیستم های رسمی هوش واقعی نیستند؟
مشکل این است که سیستم، با جذب حجم عظیم خون و عرق سازندگان خود، حداقل شروع به تکرار و توسعه تصمیمات متخصص (یا جامعه) می کند که آن را آموزش داده است.
آیا مفید است؟ بی شک. متخصص فانی است، وظایف چند برابر می شود.

هوش سیستم های دانش بنیان چیست؟
این واقعیت که دستگاه نتیجه گیری های جدیدی می کند که هیچ کس آن را آموزش نداده است. این عنصر از کار او (تا کنون) بسیار ضعیف است و توسط مدل ها و الگوریتم هایی که ارائه شده اند محدود شده است. اما این یک عنصر هوش است.

پس مشکل هوش مصنوعی مدرن چیست؟
ما فقط خیلی کوچک هستیم. تصورات ساده لوحانه و سطحی ما در مورد نحوه تفکر یک فرد و نحوه عملکرد مغز، ثمرات شایسته او را به ارمغان می آورد.

البته ما به طرز دیوانه‌واری از ایجاد ماشین‌هایی که قادر به تفکر به معنای انسانی ما باشند فاصله داریم، اما قدم‌های ما در این مسیر درست و مفید است.

و حتی اگر در مسیر اشتباهی برویم، چه کسی می داند، شاید مانند استروگاتسکی ها، در نتیجه تلاش های هدایت شده، ناخواسته کاری بسیار بهتر از آنچه در نظر داشتیم انجام دهیم؟