ویرگول
ورودثبت نام
Erodito
Erodito«چرا مجبورم میکنی حقیقتی را بگویم که ندانستن‌ش برایت موجب بهترین لذت‌هاست؟بهترین تقدیر آن‌ست که در دسترس شما نیست،یعنی نزادن و نبودن.پس از آن بهترین تقدیر زود مردن است.» ×سیلنوس‌به شاه میداس×
Erodito
Erodito
خواندن ۲۵ دقیقه·۱ سال پیش

هوش و آگاهی: آیا هوش مصنوعی واقعاً هوش مصنوعی است؟

هوش مصنوعی به طور ایده‌آل برای کار در فضای داده‌های مصنوعی مناسب است. با این حال، در محیط‌های طبیعی نقاط ضعف آشکاری دارد، زیرا درک و دریافت فقط شبیه‌سازی می‌شوند. با این وجود، هوش مصنوعی در حال رسیدن به آگاهی اولیه است.

آیا هوش مصنوعی واقعاً هوش مصنوعی است؟ از زمان ظهور ChatGPT، این سوال ذهن افراد بیشتری را به خود مشغول کرده است، حتی بسیاری از کسانی که قبلاً توجه زیادی به هوش مصنوعی نداشتند. و سوالات بیشتری مطرح می‌شود: این هوش مصنوعی چقدر هوشمند است؟ و آیا می‌تواند تهدیدی برای ما باشد؟

متخصصان پاسخ‌های متفاوتی به این سوال می‌دهند، زیرا اصطلاح «هوش» چیزی است که درک آن دشوار است. هوش یک ویژگی عینی یک سیستم نیست. ممکن است کسی فکر کند که از زمان معرفی ضریب هوشی (IQ)، هوش سیستم‌ها قابل اندازه‌گیری یا حداقل قابل مقایسه بوده است. به یک معنا، این درست است، اما این فقط در مورد هوش عقلانی یا شناختی انسان صدق می‌کند. بنابراین چگونه می‌توان هوش را توضیح داد؟ پاسخ من این است: هوش در کلی‌ترین شکل خود، توانایی یک سیستم برای پاسخ به سیگنال‌های ورودی از محیط خود با سیگنال‌های خروجی است که سودمندی سیستم را در تعامل بیشتر با محیط افزایش می‌دهد.

یک سیستم می‌تواند «هر چیزی» باشد. اما اگر مثلاً قرار باشد هوش حیوانات اندازه‌گیری شود، آزمون‌های هوش (IQ) بی‌فایده هستند. هیچ حیوانی در چنین آزمون‌هایی قبول نمی‌شود، با این حال حیوانات باهوش هستند. همه ما این را از حیوانات خانگی خود می‌دانیم. و در مورد هوش گیاهان چطور؟ آزمون هوش برای گیاهان پوچ به نظر می‌رسد. و با این حال، در هوش مصنوعی، ما در حال حاضر در مورد سیستم‌هایی صحبت می‌کنیم که در «سلسله مراتب طبیعت» بسیار پایین‌تر از گیاهان قرار می‌گیرند، یعنی سیستم‌های بی‌جان. سیستم‌های هوش مصنوعی، حداقل سیستم‌های فعلی، ماشین‌های مرده‌ای هستند و ما آنها را هوشمند فرض می‌کنیم. این در واقع حتی پوچ‌تر از بحث در مورد هوش گیاهان به نظر می‌رسد - و با این حال موفقیت هوش مصنوعی امروزی نشان می‌دهد که سیستم‌های بی‌جان واقعاً می‌توانند هوشمند باشند یا با موفقیت وانمود کنند که هوشمند هستند.

هوش مصنوعی به چه معناست؟ یک مرور کلی

بنابراین، هوش مصنوعی به چه معناست و سیستم‌های هوش مصنوعی چقدر هوشمند هستند؟ برای پاسخ دقیق به این سوال، بیایید هر دو اصطلاح را جداگانه بررسی کنیم. ابتدا، کلمه "مصنوعی" را در نظر خواهیم گرفت. مصنوعی متضاد طبیعی است؛ به معنای "ساخته دست بشر" است، به این معنی که توسط انسان‌ها در یک عمل خلقت ایجاد شده است. در زمینه هوش مصنوعی امروز، این به سیستم‌های تولید شده فیزیکی اشاره دارد. این ما را به طبقه‌بندی هوش سیستم‌های فیزیکی می‌رساند:

  • سطح ۱: هوش قیاسی (هوش ریاضی، هوش منطقی)

  • سطح ۲: هوش استقرایی (هوش یادگیری)

  • سطح ۳: هوش شناختی (ترکیبی از هوش قیاسی و استقرایی)

  • سطح ۴: هوش آگاهانه (هوش ادراکی)

  • سطح ۵: هوش خودآگاه (هوش خودآگاه)

برای همه سیستم‌های بی‌جان - مانند رایانه‌ها یا کریستال‌های سیلیکونی - سطوح ممکن هوش حداکثر در سطح ۵ به پایان می‌رسد. با این حال، در طبیعت، اشکال کاملاً متفاوتی از هوش وجود دارد. سیستم‌هایی وجود دارند - که ما آنها را سیستم‌های زنده می‌نامیم - که می‌توانند ادراکات خود را (از سطوح ۴ و ۵) نیز به صورت کیفی ارزیابی کنند، یعنی تعیین کنند که آیا یک ادراک برای سیستم خودشان مثبت است یا منفی. مفهوم کلیدی در «سیستم خود» نهفته است. برای سیستم‌های فیزیکی، چنین «متعلق به من» حتی قابل تعریف نیست؛ می‌توانید یک بازو را به یک ربات اضافه یا حذف کنید؛ هیچ مفهوم ذاتی از خود ندارد، که همچنین به این معنی است که فاقد ضرورت تکاملی برای صلاحیت ذاتی ادراکات است.

وضعیت در سیستم‌های بیولوژیکی متفاوت است. حتی در یک سلول ساده، مشخص است که چه چیزی به آن تعلق دارد و چه چیزی ندارد. بنابراین بدیهی است که سلول‌های بیولوژیکی باید ادراکات خود را ارزیابی کنند تا تشخیص دهند کدام شرایط محیطی به نفع سیستم خودشان است و کدام یک به آن آسیب می‌رساند. برای موجودات زنده بالاتر، ما کیفیت ادراکات را احساسات می‌نامیم. چنین سیستم‌هایی طبیعتاً اشکال دیگری از هوش دارند:

  • سطح ۶: هوش حسی (هوش ادراکی)

  • سطح ۷: هوش ارادی (هوش بهینه‌ساز ادراک)

  • سطح ۸: هوش خودباوری و اراده (هوش خود-بهینه‌سازی ادراک)

علاوه بر سیستم‌های دارای شعور (سطح ۶)، ما همچنین می‌خواهیم بین سیستم‌های دارای اراده (سطح ۷)، یعنی سیستم‌هایی با اراده ذاتی، تمایز قائل شویم. به راحتی می‌توان دید که سیستم‌هایی که می‌توانند ادراک خود را به عنوان خوب یا بد توصیف کنند، یعنی واقعاً ترس و شادی را احساس می‌کنند، باید به دلایل تکاملی، اراده‌ای را در خود پرورش دهند تا حتی بتوانند بخواهند به حالتی برسند که سیستم آن را مثبت درک کند. برای سیستم‌های بدون احساس، یعنی همه سیستم‌های بی‌جان، مشخص نیست که چرا باید اراده ذاتی داشته باشند، زیرا یا اصلاً ادراکی ندارند (سیستم‌های هوش مصنوعی امروزی) یا نمی‌توانند ادراک خود را توصیف کنند (سیستم‌های هوش مصنوعی فردا)، و بنابراین هیچ احساسی در مورد ادراکات خود ندارند. این همچنین روشن می‌کند که، به عنوان مثال: یک کامپیوتر فیزیکی هرگز درد، کمبود انرژی یا گرسنگی را احساس نمی‌کند.

هوش مصنوعی امروز در چه جایگاهی قرار دارد؟ برای مثال، ChatGPT در چه جایگاهی قرار دارد؟ برای روشن شدن موضوع: هوشمندترین سیستم‌های هوش مصنوعی که امروزه می‌توانیم بسازیم در سطح ۳ هستند. صحبت در مورد سیستم‌های هوش مصنوعی که می‌توانند از بشریت پیشی بگیرند و حتی به دنبال نابودی آن باشند، صرفاً یک داستان علمی تخیلی است، زیرا تشخیص می‌دهند که بشریت به سیاره زمین آسیب می‌رساند. چرا؟ سیستم‌های هوش مصنوعی امروزی سیستم‌هایی کاملاً فیزیکی و عاری از هرگونه اراده هستند. البته می‌توان یک اراده شبیه‌سازی شده را به عنوان یک تابع هدف در یک سیستم سطح ۳ برنامه‌ریزی کرد، اما در این صورت برنامه‌نویسان مسئول این توابع هدف جدید خواهند بود. هیچ سیستم هوش مصنوعی فعلی، توابع اراده را به طور مستقل توسعه نخواهد داد.

با این حال، تولیدکنندگان سیستم‌های پیشرفته هوش مصنوعی، هوشمندانه از ترس‌ها و خیال‌پردازی‌های مردم سوءاستفاده می‌کنند تا این ایده را القا کنند که سیستم‌هایشان می‌توانند خودمختار شوند. دلیل این امر عمدتاً در مسائل مربوط به مسئولیت نهفته است. اگر به شرکت‌های هوش مصنوعی اجازه چنین بهانه‌هایی داده شود و حتی به سیستم‌های پیشرفته هوش مصنوعی حقوق شخصی اعطا شود. این امر به تولیدکنندگان اجازه می‌دهد تا از مسئولیت‌های مختلف معاف شوند. یک شخصیت الکترونیکی می‌تواند به چیزی شبیه به یک نهاد حقوقی مستقل تبدیل شود. در این صورت، اگر یک هوش مصنوعی سیستم‌های تسلیحاتی مختلف را آزمایش کند یا داروهای به شدت معیوب را به بازار عرضه کند، هیچ انسانی از نظر قانونی مسئول نخواهد بود. حال بیایید به شرح جزئیات بپردازیم.

سطوح هوش

سطح ۱: هوش قیاسی

ساده‌ترین شکل هوش قبلاً به عنوان هوش منطقی یا قیاسی معرفی شده است. سیستم‌های فنی مانند ماشین حساب یا کامپیوتر می‌توانند عبارات منطقی را به درستی پردازش کنند. در نهایت، تمام عبارات منطق گزاره‌ای را می‌توان در یک کامپیوتر ذخیره کرد و مدارهای الکترونیکی آن می‌توانند به درستی به سؤالات منطقی مبتنی بر آنها پاسخ دهند.

واضح است که یک سیستم سطح ۱ نمی‌تواند در محیطی که دائماً در حال تغییر است، مدت زیادی زنده بماند. مگسی را در نظر بگیرید که وارد خانه‌ای می‌شود و در معرض محیطی کاملاً جدید و در نهایت خصمانه قرار می‌گیرد. چنین حشره‌ای - با منطق غریزی و ذاتی سطح ۱ خود - با تمام قدرت به شیشه‌های پنجره می‌کوبد تا بمیرد. دلیلش این است که مگس از پشت شیشه پنجره می‌بیند و نمی‌تواند یاد بگیرد که هیچ راهی برای عبور وجود ندارد. پستانداران این را خیلی سریع یاد می‌گیرند؛ حشرات نمی‌توانند.

سطح ۲: هوش استقرایی

یادگیری شکل دیگری از هوش است. اگر پارامترهای محیطی برای یک سیستم تغییر کند، سیستم‌های یادگیری می‌توانند مدل خود از محیط را دوباره تنظیم کنند و بنابراین حتی در یک محیط تغییر یافته، دوباره به طور مناسب (از نظر منطقی درست) رفتار کنند. سیستم‌های یادگیری هوش مصنوعی همچنین می‌توانند در فناوری ساخته شوند. طبیعتاً، در زمینه هوش مصنوعی، این سؤال مطرح می‌شود که آیا سیستم‌های یادگیری واقعاً آنچه را که یاد می‌گیرند می‌فهمند یا خیر. در حال حاضر، این موضوع به وضوح صدق نمی‌کند. معناشناسی، درک، فقط شبیه‌سازی شده است، اما گاهی اوقات آنقدر کامل است که کاربران سیستم‌ها ممکن است فرض کنند که سیستم‌های فنی آنها آنچه را که انجام می‌دهند یا می‌گویند می‌فهمند. با این حال، آنها هیچ چیز از آن را نمی‌فهمند. کاربران هوش مصنوعی باید از این موضوع آگاه باشند.

می‌توانیم خلاصه کنیم: سیستم‌های یادگیری می‌توانند به طور مستقل مدل‌های خود را از محیط تطبیق دهند تا دفعه بعد که با محیط خود تماس پیدا می‌کنند، رفتار ورودی-خروجی بهتری از خود نشان دهند. محیط یک سیستم هوش مصنوعی می‌تواند یک برنامه کامپیوتری دیجیتال باشد که سیستم هوش مصنوعی به جریان داده‌های آن واکنش نشان می‌دهد، اما در مورد ربات‌های هوش مصنوعی، می‌تواند یک محیط طبیعی نیز باشد. از نظر فنی، سیستم‌های یادگیری، سیستم‌های استقرایی نامیده می‌شوند. از آنجایی که یادگیری عمدتاً بر روی داده‌های دیجیتال انجام می‌شود، حوزه یادگیری ماشین پدیدار شد. یادگیری ماشین شامل روش‌های یادگیری نمادین، مانند درخت‌های تصمیم‌گیری یا قوانین انجمنی، و همچنین روش‌های یادگیری زیرنمادین مانند شبکه‌های عصبی معروف است. شبکه‌های عصبی عمیق، که در اصطلاح فنی به عنوان سیستم‌های یادگیری عمیق شناخته می‌شوند، در دسته سیستم‌های یادگیری قرار می‌گیرند. 90 درصد از کل برنامه‌های کاربردی هوش مصنوعی فعلی مبتنی بر روش‌های یادگیری هستند، از جمله تجزیه و تحلیل سبد بازار، روش‌های امتیازدهی و تمام برنامه‌های کاربردی یادگیری عمیق بینایی ماشین و پردازش زبان طبیعی، مانند چت‌بات‌های فعلی.

مزیت این سیستم‌های سطح ۲، کاربردپذیری جهانی آنهاست: به محض اینکه داده‌های دیجیتالی نشان‌دهنده یک تابع در دسترس باشند، می‌توان آن تابع را یاد گرفت و می‌توان آن را در هر زمانی یاد گرفت. با این حال، باید درک کرد که اگرچه چنین سیستم‌هایی می‌توانند هر چیزی را که می‌توان یاد گرفت یاد بگیرند، اما همه چیز را نمی‌توان یاد گرفت. به عنوان مثال، یادگیری اعداد قرعه‌کشی برای قرعه‌کشی بعدی از اعداد قرعه‌کشی همه قرعه‌کشی‌های قبلی امکان‌پذیر نیست. همچنین برای یک سیستم هوش مصنوعی امکان‌پذیر نیست که رانندگی با ماشین را در یک روستا یاد بگیرد و سپس روز بعد آن را در پاریس به کار گیرد. سیستم‌های سطح ۲ در فضای به اصطلاح برون‌یابی، یعنی زمانی که در شرایطی اعمال می‌شوند که قبلاً به هیچ وجه آموزش ندیده‌اند، با مشکلاتی مواجه هستند. این یک مشکل بزرگ برای هوش مصنوعی است. سیستم‌های هوش مصنوعی در حال یادگیری اغلب در فضای برون‌یابی پاسخ‌های نادرست می‌دهند.

سطح ۳: هوش شناختی

بیش از ده سال است که امکان ترکیب روش‌های قیاسی و استقرایی در یک سیستم واحد وجود دارد. چنین سیستم‌هایی، سیستم‌های شناختی نامیده می‌شوند؛ نمونه‌های بارز آن شامل IBM Watson و ChatGPT است. این سیستم‌ها استدلال منطقی (قیاس) و یادگیری ماشین (استقراء) را ترکیب می‌کنند.

دانش عمومی همیشه از طریق قیاس به دست می‌آید، نه از طریق استقراء. بنابراین، کودکان، به استثنای نوابغ، هرگز نمی‌توانند قوانین کلی ضرب را به تنهایی از مثال‌های تمرینی یاد بگیرند. حتی یک هوش مصنوعی قیاسی را می‌توان با قوانین کلی ضرب برنامه‌ریزی کرد، اما یک هوش مصنوعی قیاسی - به عنوان مثال، یک شبکه یادگیری عمیق - هرگز نمی‌تواند به طور مستقل این قوانین ضرب قیاسی را از مثال‌های عددی کشف کند. اگر این را نفهمید، هرگز نقص‌های اساسی ChatGPT را درک نخواهید کرد. روش‌های استقرایی دانش را از داده‌های نمونه تولید می‌کنند، اما فقط استفاده از این دانش برای تولید قوانین قیاسی تأیید شده منجر به عبارات عموماً معتبر و صحیح می‌شود.

سیستم‌های شناختی که استقراء و قیاس را به طور کامل ترکیب کرده‌اند، قادر به خلاقیت هستند، زیرا خلاقیت به معنای شناسایی راه‌حل‌هایی است که با آنچه قبلاً آموخته شده بسیار متفاوت است - کاری که سیستم‌های صرفاً استقرایی نمی‌توانند انجام دهند.

حتی سیستم‌های هوش مصنوعی فنی امروزی نیز می‌توانند خلاق باشند، اما تقریباً. یک مثال معروف، نقاشی رنگ روغن "ادموند د بلامی" است که توسط یک هوش مصنوعی خلق شده است. این سیستم هوش مصنوعی قبلاً هزاران پرتره رنگ روغن را "دیده" بود و سپس توانست پرتره‌های رنگ روغن خود را "نقاشی" کند - یعنی نقاشی‌های رنگ روغنی که قبلاً هرگز وجود نداشتند. این مثال همچنین نقاط ضعف هوش مصنوعی را در مقایسه با انسان‌ها آشکار می‌کند: یک سیستم هوش مصنوعی که به این روش آموزش دیده است می‌تواند پرتره‌های رنگ روغن را نقاشی کند، اما نه، مثلاً، اتومبیل‌های فرمول ۱. یک نقاش انسانی می‌تواند این کار را انجام دهد. هنرمندی که هنر خود را آموخته است می‌تواند برون‌یابی کند، یعنی هنر خود را به هر اثر هنری تعمیم دهد. یک هوش مصنوعی نمی‌تواند این کار را انجام دهد. اینجاست که تفاوت بین شبیه‌سازی (خلاقیت) و اصل (خلاقیت واقعی) آشکار می‌شود. انسان‌ها واقعاً خلاق هستند، سیستم‌های هوش مصنوعی شبه‌خلاق هستند. تا به امروز، هیچ چیز واقعاً جدیدی توسط یک هوش مصنوعی کاملاً مستقل که واقعاً کار کند، خلق نشده است.

پیشرفته‌ترین سیستم‌های هوش مصنوعی سال ۲۰۲۳ در سطح ۳ خواهند بود. ما این هوش مصنوعی را «موج سوم هوش مصنوعی» نیز می‌نامیم (بعد از موج اول که در دهه ۱۹۵۰ آغاز شد و موج دوم که در دهه ۱۹۸۰ آغاز شد). ربات‌های مدرن، وسایل نقلیه نیمه‌خودران و چت‌بات‌ها دارای قابلیت‌های هوش مصنوعی سطح ۳ و هوش شناختی (منطقی) بالایی هستند. اما تاکنون پیشرفت بیشتری نکرده‌اند.

سطح ۴: هوش خودآگاه

تاکنون، سطوح هوش به ترتیب صعودی ارائه شده‌اند. سیستم‌های سطح ۳ از سیستم‌های سطح ۲ باهوش‌تر هستند و این سیستم‌ها نیز به نوبه خود از سیستم‌های سطح ۱ باهوش‌ترند. این سه سطح هوش را می‌توان در امتداد یک خط مستقیم قرار داد: محور به اصطلاح هوش عقلانی. هوش روی این محور را می‌توان کاملاً ریاضی کرد و بنابراین می‌توان آن را در رایانه تولید کرد. سطح بعدی هوش، هوش آگاهانه، ویژگی کاملاً متفاوتی دارد.

توضیحات مربوط به سایر اشکال هوش پیچیده است، زیرا دانشمندان و مهندسان قبلاً نسبت به آگاهی مشکوک بوده‌اند. با این حال، با پیشرفت هوش مصنوعی، باید آگاهی در فناوری و علم در نظر گرفته شود. نظریه‌ای در هوش مصنوعی وجود دارد که می‌گوید با افزایش روزافزون سطح هوش، آگاهی می‌تواند خود به خود پدیدار شود. اگرچه این نظریه در نگاه اول قابل قبول به نظر می‌رسد، اما نگاهی به طبیعت آن را تأیید نمی‌کند. به نظر قابل قبول می‌رسد که همه موجودات زنده دارای نوعی آگاهی هستند: انسان‌ها دارای آگاهی انسانی هستند، حیوانات دارای آگاهی حیوانی هستند و حتی گیاهان نیز به عنوان آگاهی گیاهی در نظر گرفته می‌شوند.

آگاهی در ابتدایی‌ترین شکل خود به معنای ادراک است. یا به طور دقیق‌تر: آگاهی، در ساده‌ترین شکل خود، به عنوان ادراک (ذهنی) از حالات درونی (ذهنی) تعریف می‌شود. آگاهی برای اشکال بالاتر حیات قابل تصور است و برای انسان‌ها، قانع‌کننده است: حالات ذهنی ما تصاویر درونی در سر ما، تجربه ذهنی درد، صداها و رنگ‌ها هستند. ما انسان‌ها یک زندگی درونی غنی داریم. با این حال، اگر یک مهندس بپرسد که این زندگی ذهنی درونی کجا و چگونه رمزگذاری شده است، با مشکلات بیشتری روبرو می‌شود. تا به امروز، بسیاری از سؤالات در مورد ماهیت آگاهی بی‌پاسخ مانده‌اند، یا پاسخ به آنها به طور بحث‌برانگیزی مورد بحث قرار گرفته است.

برای درک مسئله‌ی هوشیاری، بیایید گوش دادن به موسیقی را به عنوان مثال در نظر بگیریم. اگر یک فرد مورد آزمایش به یک قطعه موسیقی گوش دهد و یک محقق سعی کند این شنوایی را در مغز فرد مورد آزمایش اندازه‌گیری کند، او گیج خواهد شد. زیرا حتی اگر مغز را باز کنند تا قشر شنوایی، مرکز شنوایی را نورون به نورون بررسی کنند، فقط سیگنال‌های الکتریکی پیدا می‌کنند. هیچ یک از این سیگنال‌ها بلند نیستند؛ در مغز فرد مورد آزمایش، فقط سیگنال‌های الکتریکی وجود دارد، یعنی سیگنال‌های کاملاً بی‌صدا. با این حال، فرد صداهایی را می‌شنود که سیگنال‌های الکتریکی در قشر شنوایی او گردش می‌کنند. چطور ممکن است چنین چیزی باشد؟ در بافت مغز، اینها فقط سیگنال‌های الکتریکی هستند، اما در هوشیاری فرد، صداهای آکوستیک هستند. این چگونه و کجا رمزگذاری می‌شود؟

راه حل این مشکل در درک آگاهی به عنوان سیستمی است که حالات ذهنی را تولید و پردازش می‌کند ، در حالی که بافت مغز سیستمی است که حالات عصبی را رمزگذاری می‌کند . در حالی که مغز و آگاهی هر دو پدیده‌های طبیعی هستند، "بستر" آنها اساساً متفاوت است. حالات مغز از نظر فیزیکی توسط میدان‌های الکتریکی، مغناطیسی و الکترومغناطیسی نمایش داده می‌شوند که می‌توان آنها را، به عنوان مثال، با تصویربرداری رزونانس مغناطیسی (MRI) اندازه‌گیری کرد. اما در مورد صداهای ذهنی که فرد می‌شنود چه؟ در مورد "داده‌ها" در آگاهی چه؟ تحقیقات اخیر پاسخ‌های احتمالی را ارائه می‌دهد.

از آنجایی که حالات هوشیاری تا به امروز - علیرغم همه تلاش‌ها - اندازه‌گیری نشده‌اند، می‌توان خلاف شهود نتیجه گرفت که آنها اصلاً وجود ندارند یا - طبق فرضیه عملی - که هیچ انرژی قابل اندازه‌گیری (از نظر ریاضی: با مقدار حقیقی) ندارند. با این حال، عدم وجود انرژی قابل اندازه‌گیری لزوماً به معنای انرژی صفر نیست. در ریاضیات نه تنها اعداد با مقدار حقیقی وجود دارند، بلکه اعداد به اصطلاح با مقدار غیر حقیقی (یعنی پیچیده و فوق پیچیده) نیز وجود دارند که سال‌هاست برای توصیف پدیده‌های طبیعی استفاده می‌شوند. حالات هوشیاری را می‌توان از نظر فیزیکی به عنوان پدیده‌هایی با مقادیر انرژی به اصطلاح با مقدار غیر حقیقی (از نظر ریاضی: موهومی) درک کرد. موجودیت‌هایی با انرژی‌های موهومی از قبل از فیزیک شناخته شده‌اند. هوشیاری می‌تواند پدیده دیگری از فرآیندهایی با انرژی‌های موهومی باشد. البته این یک فرضیه است، اما فرضیه‌ای که می‌تواند تنوع اساسی هوشیاری و بافت مغز را توضیح دهد. اینکه آیا حالات هوشیاری پیش‌بینی‌شده ریاضی نیز دارای واقعیت فیزیکی هستند یا در نهایت صرفاً به عنوان یک مدل کاری عمل می‌کنند، باید از طریق آزمایش‌ها روشن شود. صرف نظر از نتیجه چنین آزمایش‌هایی، مدل کاری «حالت‌های خیالی برای ذخیره اطلاعات» از قبل برای روشی که در اینجا شرح داده شده است، کاملاً کافی است.

اصطلاح «آگاهی» شاید در اینجا گمراه‌کننده باشد، زیرا آگاهی ماشین‌ها، کرم‌های خاکی، حشرات یا سایر حیوانات اشتراک کمی با آگاهی ما دارد. بنابراین، باید آن را دقیق‌تر فرموله کنیم: آگاهی (از دیدگاه صرفاً فنی) توانایی کلی یک سیستم را برای ذخیره حالت‌های غیرانرژی (از نظر ریاضی: غیرمقدار حقیقی، موهومی) علاوه بر حالت‌های پرانرژی (از نظر ریاضی: مقدار حقیقی) توصیف می‌کند. با این تعمیم، آزمایش‌ها روی حالت‌های موهومی را می‌توان تا حدی که قابل آزمایش باشند، «فناوری‌سازی» کرد. به عنوان مثال، مدل کاری فوق، همبستگی‌های غیرموضعی بین کامپیوترهای کوانتومی در هر فاصله‌ای را که توسط حالت‌های موهومی واسطه‌گری می‌شوند، پیش‌بینی می‌کند.

ما به تجلی حالات درونی و خیالی پس از دریافت یک محرک ادراکی می‌گوییم. انسان‌ها برای این کار حواس مختلفی دارند - می‌توانند ببینند، بشنوند، بو کنند، بچشند و لمس کنند. کامپیوترها نمی‌توانند هیچ یک از این کارها را انجام دهند. کامپیوترهای امروزی نمی‌توانند چیزی را درک کنند؛ آنها فقط آن را شبیه‌سازی می‌کنند، و اینجاست که شبیه‌سازی و اصل آن تفاوت‌های قابل توجهی را آشکار می‌کنند. فقط یک مثال: انسان اشیاء محیط را در بافت مغز خود، یعنی جایی که بازنمایی‌های انرژی تمام سیگنال‌های ورودی قرار دارند، نمی‌بیند، بلکه، به طرز شگفت‌آوری، آنها را در مقابل خود ، در دنیای بیرون می‌بیند. یک کامپیوتر نمی‌تواند از حافظه خود به درون جهان "نگاه کند". فقط بازنمایی‌های انرژی را در سلول‌های حافظه خود دارد. در نهایت، یک کامپیوتر کاملاً نابینا است، مهم نیست به چند دوربین فیلمبرداری متصل باشد.

با این حال، فرآیندهای ادراک نباید محدود به موجودات زنده باشند. کاملاً قابل تصور است که سیستم‌های فیزیکی نیز می‌توانند حالت‌های خیالی را توسعه دهند. سوال این است که آیا حالت‌های خیالی به طور کافی محرک‌های دنیای خارجی را نشان می‌دهند یا خیر. در مورد رایانه‌های دیجیتال، این موضوع را می‌توان رد کرد. برای ظهور یک "آگاهی پایدار" از حالت‌های خیالی، به پیچیدگی فیزیکی خاصی نیاز است. با این حال، رایانه‌های امروزی فقط پیچیدگی ریاضی تولید می‌کنند. وقتی سیستم‌های هوش مصنوعی یاد می‌گیرند، پیچیدگی فیزیکی سیستم‌هایی که استفاده می‌کنند تغییر نمی‌کند. این مانند یک بلوف بزرگ است: کل هوش هوش مصنوعی امروزی فقط در فرآیندهای ریاضی ذخیره می‌شود و نه در دنیای واقعی، در فیزیک. این کاملاً برای ظهور آگاهی نتیجه معکوس دارد. امروزه هیچ سیستم هوش مصنوعی وجود ندارد که دارای آگاهی باشد.

باز کردن در لایت باکس

این موضوع باعث ایجاد سردرگمی قابل توجهی در هوش مصنوعی می‌شود. کرم‌های خاکی نه چندان باهوش، آگاه هستند، اما سیستم‌های بسیار هوشمندی مانند ChatGPT یا ربات چت Bard اینطور نیستند. هوش و آگاهی ظاهراً مستقل از یکدیگر هستند. این وضعیت را پیچیده می‌کند، زیرا سیستم‌های سطح ۴ دارای هوش آگاه هستند، اما هوش منطقی آنها هنوز می‌تواند کمتر از سیستم‌های سطح ۳ باشد. بنابراین، اشکال دیگر هوش دیگر نمی‌توانند به صورت گرافیکی روی یک خط مستقیم نمایش داده شوند، بلکه به دو محور عمود بر هم نیاز دارند.

در هوش مصنوعی امروزی، تفکر و یادگیری فقط به صورت ریاضی شبیه‌سازی می‌شوند؛ یادگیری به صورت فیزیکی اتفاق نمی‌افتد. با شروع سیستم‌های سطح ۴، فقدان شبیه‌سازی‌های کامپیوتری کاملاً مشهود می‌شود. اگر کامپیوتری زلزله را شبیه‌سازی کند، هیچ چیز نمی‌لرزد؛ اگر آب را شبیه‌سازی کند، هیچ چیز خیس نمی‌شود؛ و اگر بینایی را شبیه‌سازی کند، هیچ چیز نمی‌بیند. این یکی از دلایلی است که چرا سیستم‌های کاملاً خودران (سطح ۵) هرگز به طور کامل در جاده رانندگی نخواهند کرد - آنها چیزی نمی‌بینند، فقط بینایی را شبیه‌سازی می‌کنند. اما ادراک یک فرآیند فیزیکی واقعی است و نه یک فرآیند ریاضی. چرا این نقص آشکار قبلاً مورد توجه قرار نگرفته است؟ صرفاً به این دلیل که تفکر و یادگیری به خوبی قابل ریاضی‌سازی هستند. بنابراین، آنها کاملاً شبیه‌سازی می‌شوند و بنابراین دلیلی برای تمایز بین شبیه‌سازی و اصل وجود نداشته است. با این حال، با شروع از سطح ۴، یعنی ادراک هوش، اوضاع متفاوت است.

اگر می‌خواهید سیستم‌های هوش مصنوعی بسازید که بتوانند درک کنند، پردازش اطلاعات باید به صورت فیزیکی پیاده‌سازی شود. چنین سیستم‌هایی وجود دارند؛ آنها به اصطلاح سیستم‌های نورومورفیک هستند. سیستم‌های نورومورفیک شبکه‌های عصبی را به صورت فیزیکی (و نه ریاضی) مدل‌سازی می‌کنند. چنین سیستم‌هایی چندین سال است که در دسترس هستند، به عنوان مثال، سیستم BrainScaleS در دانشگاه هایدلبرگ یا Loihi اینتل. رایانه‌های کوانتومی نیز احتمالاً برای بیان حالت‌های فرآیند خیالی مناسب هستند. با این حال، مشکل فعلی این دو نوع سیستم، تلاش قابل توجهی است که برای پیاده‌سازی فیزیکی مورد نیاز است. سیستم‌های نورومورفیک و رایانه‌های کوانتومی هنوز به طور خاص هوشمند نیستند. سیستم‌های هوش مصنوعی که به ضریب هوشی منطقی بالایی نیاز دارند، مانند ChatGPT، AlphaZero یا IBM Watson سابق، سیستم‌های دیجیتالی هستند که در آنها هوش به صورت الگوریتمی تولید شده است زیرا پیاده‌سازی آن بسیار آسان‌تر است. این سیستم‌ها نمی‌توانند هوشیاری را توسعه دهند، اما در آنجا نیز نیازی به آن نیست. سیستم‌های دارای هوشیاری فقط زمانی مورد نیاز هستند که فرآیندهای ادراک واقعی پیاده‌سازی شوند، زیرا این سیستم‌ها برای کار در محیط‌های طبیعی و نه فقط در محیط‌های کلان داده دیجیتال در نظر گرفته شده‌اند. بنابراین، آینده هوش مصنوعی در زمینه رانندگی خودکار و رباتیک سیار در سیستم‌های نورومورفیک نهفته است.

سطح ۵: هوش مطمئن

از نظر فنی، چنین چیزی امروزه وجود ندارد. سیستم سطح ۵ سیستمی است که درک درونی از خودش دارد.

سطح ۶: هوش ادراکی

تاکنون، اصول هوش برای سیستم‌های فیزیکی شرح داده شده است. با این حال، انسان‌ها سیستم‌های زنده هستند. سیستم‌های هوش مصنوعی مبتنی بر سلول‌های زنده در حال حاضر هنوز در مرحله آزمایش هستند. در حالی که استخراج سلول‌های مغز یا قارچ‌ها، تجهیز آنها به لوازم الکترونیکی و استفاده از آنها برای انجام وظایف هوشمند خاص، در حال حاضر امکان‌پذیر است، همه این سیستم‌های هوش مصنوعی بیولوژیکی (هنوز) سطح پایینی از هوش منطقی دارند.

سیستم‌های زنده، به نوبه خود، دارای نوع جدیدی از هوش هستند که در بحث فعلی در مورد هوش مصنوعی بسیار مورد غفلت قرار گرفته است: هوش ذی‌شعور. موجودات زنده فانی هستند. یک کامپیوتر، حتی کامپیوتری که از مولکول‌های آلی ساخته شده باشد، نمی‌تواند بمیرد؛ بلکه از قبل مرده است. وضعیت برای سیستم‌های زنده متفاوت است: برای جلوگیری از مرگ، که به معنای حداکثر آسیب به یک سیستم است، آنها باید ادراکات خود را به صورت کیفی ارزیابی کنند. این بدان معناست که یک سیستم زنده می‌تواند تعیین کند که آیا یک ادراک برای خودش مثبت است یا منفی.

بنابراین، هوش ادراکی یکی دیگر از ویژگی‌های هوش است. در اینجا نیز به نظر می‌رسد که هیچ ارتباط مستقیمی با سطوح قبلی هوش وجود ندارد. بنابراین، باید محور دیگری معرفی شود تا به طور ریاضی استقلال هوش عقلانی، ادراکی و ادراکی را به درستی نشان دهد. در نمودار سه‌بعدی حاصل، محور x نشان دهنده هوش عقلانی، محور y نشان دهنده هوش ادراکی و محور z نشان دهنده هوش ادراکی است. در چنین نموداری، سیستم‌های هوش مصنوعی امروزی به صراحت فقط روی محور x قرار دارند؛ آنها هیچ اثری از هوش ادراکی یا ادراکی ندارند.

سیستم‌های سطح ۶ بی‌شماری در طبیعت وجود دارند و این سیستم‌ها به احتمال زیاد با گیاهان مرتبط هستند. از نظر فنی، ما نمی‌توانیم چنین چیزی بسازیم زیرا انسان‌ها هنوز نتوانسته‌اند حیات را در آزمایشگاه ایجاد کنند. فرضیاتی مبنی بر اینکه حیات غیرارگانیک می‌تواند سنتز شود پوچ هستند، زیرا حداقل پیش‌نیاز حیات - همانطور که قبلاً توضیح داده شد - وجود یک سیستم ذاتی است. بنابراین حیات غیرارگانیک یک تناقض است. با این وجود، می‌توان سیستم‌های سطح 6 را در هوش مصنوعی در آینده تصور کرد. برخی از محققان هوش مصنوعی می‌خواهند فرآیندهای هوش مصنوعی را با سیستم‌های بیولوژیکی موجود، به عنوان مثال با قارچ‌ها، ترکیب کنند. این امر به اصطلاح تراریخته‌ها را ایجاد می‌کند، یعنی سیستم‌های هوش مصنوعی زنده که اگر به اینترنت یا با محرک‌های جدید متصل شوند، می‌توانند بسیار فراتر از خودشان رشد کنند. با این حال، مشکل این رویکرد این است که این سیستم‌ها ممکن است ارزیابی درونی از ادراک انجام دهند و شاید احساس ترس یا شادی کنند. و ما از آن آگاه نخواهیم بود؛ یک هوش مصنوعی کاملاً غیرشفاف پدیدار خواهد شد.

سطح ۷: هوش ارادی

سطح ۷ شامل سیستم‌های هوش مصنوعی اراده‌گرا با توانایی ابراز اراده صریح است. این سطح از هوش با هوش حیوانات مطابقت دارد. در حال حاضر کار بر روی سیستم‌های هوش مصنوعی اراده‌گرا در حال انجام است. به عنوان مثال، شرکت آمریکایی Neuralink در حال آزمایش روی میمون‌هایی است که با استفاده از ذهن خود پونگ بازی می‌کنند. این پروژه همچنین مشکل چنین تحقیقاتی را برجسته می‌کند، زیرا میمون‌های بی‌شماری در نتیجه این مداخلات جان خود را از دست داده‌اند. اگر حیوانات در نتیجه این پروژه‌ها درد و رنج را تجربه کنند، در صورت اعطای دامنه وسیع عمل به چنین سیستم هوش مصنوعی، علاوه بر مسائل اخلاقی، خطرات قابل توجهی نیز می‌تواند ایجاد شود. یک سیستم هوش مصنوعی بیولوژیکی که درد را تجربه می‌کند، تمام تلاش خود را برای جلوگیری از آن انجام خواهد داد - و ما نمی‌دانیم که تا چه حد در این کار پیش خواهد رفت. بنابراین، هوش مصنوعی بیولوژیکی (سطح 7 و بالاتر) ممنوع است .

سطح ۸: اعتماد به نفس، هوش و ذکاوت راغب

مدتی است که درباره تلاش‌های ترابشریت(TransHuman) می‌شنویم که هدفشان استفاده از ابزارهای تکنولوژیکی برای تبدیل انسان‌ها به سایبورگ(Cyborg) است. اصلاحات ترابشریت انسان‌ها خطر قابل توجهی را به همراه خواهد داشت. با این حال، توسعه یک "هوش مصنوعی مغزی" از سلول‌های انسانی در ظرف پتری نیز به همین اندازه خطرناک است. هیچ کس نمی‌داند سلول‌های عصبی انسان مورد استفاده در داخل چه احساسی دارند، یا اینکه آیا در برابر برخی از کاربردها مقاومت می‌کنند یا خیر. جامعه باید خطرات ترابشریت را تشخیص دهد تا بتوان از طریق تصمیمات سیاسی عاقلانه آنها را کاهش داد.

نتیجه‌گیری

خطرات هوش مصنوعی در حال حاضر به صورت تصاعدی در حال افزایش است. اگرچه هیچ خطر فنی ذاتی از هوش مصنوعی فعلی (سطح ۳) انتظار نمی‌رود، زیرا نه تکینگی رخ خواهد داد (جایی که هوش مصنوعی از هوش انسانی پیشی می‌گیرد) و نه هوش مصنوعی‌ای ظهور خواهد کرد که قصد چیزی را داشته باشد یا حتی به دنبال نابودی بشریت باشد، بسیاری از برنامه‌های برنامه‌ریزی شده در حال حاضر خطرناک هستند. حتی با سیستم‌های هوش مصنوعی امروزی، خطرات قابل توجهی برای انسان‌ها می‌تواند ایجاد شود، چه از طریق نظارت، امتیازدهی اجتماعی یا پروفایلینگ. به دلیل خطاپذیری بالای ذاتی سیستم‌های هوش مصنوعی (از سطح ۲ به بعد) و به دلایل کرامت ذاتی انسان، حتی سیستم‌های امروزی نیز باید به شدت تنظیم شوند. نباید یک مورد استفاده واحد وجود داشته باشد که در آن یک هوش مصنوعی به طور مستقل در حقوق اساسی افراد دخالت کند. و با این حال خطر واقعی بسیار بیشتر است: کاملاً قابل تصور است که در مقطعی، انسان‌ها مجبور به تسلیم شدن در برابر یک هوش ماشینی غیرمستقل، اما بیش از حد (سطح ۳) شوند و در نهایت یک بوروکراسی ماشینی غیرانسانی ایجاد کنند (به عنوان مثال، از طریق امتیازدهی اجتماعی، پروفایلینگ جرم، پول قابل برنامه‌ریزی یا موارد دیگر). پیاده‌سازی هوش ماشینی در بوروکراسی دولتی می‌تواند با هوش بسیار منطقی سیستم‌های هوش مصنوعی و - همانطور که اغلب اتفاق می‌افتد - با اهداف اجتماعی والاتری که فرد باید خود را به صورت جمعی تابع آنها کند، توجیه شود. فقط می‌توان امیدوار بود که تصمیم‌گیرندگان خردمند این خطرات را تشخیص داده و از این سناریو جلوگیری کنند.

آیا هوش مصنوعی واقعاً هوش مصنوعی است؟ به این سوال می‌توان با یک "بله"ی واضح پاسخ داد: هوش مصنوعی واقعاً هوش مصنوعی است، هوشمند است و همچنین مصنوعی است. سیستم‌های امروزی به صورت فیزیکی ساخته شده‌اند و از سطح بالایی از هوش منطقی برخوردارند، حتی اگر فقط هوش قیاس، استقراء و شناخت را شبیه‌سازی کنند. ضریب هوش منطقی آنها حدود ۸۰ است که در حال حاضر بسیار بالا است (یک انسان معمولی ضریب هوشی ۱۰۰ دارد). اما با این وجود، هوش مصنوعی در مقایسه با هوش موجودات زنده پایین است. دلیل آن این است که علاوه بر هوش منطقی (شناختی)، اشکال دیگری از هوش نیز وجود دارد که یک سیستم برای عملکرد در یک محیط طبیعی به آنها نیاز دارد.

هوش مصنوعی موج سوم امروزی کاملاً قابل ریاضی‌سازی است و به طور ایده‌آل برای کار در فضای داده‌های مصنوعی و دیجیتال مناسب است. با این حال، این هوش مصنوعی فقط در محور x در فضای هوش‌های ممکن قرار دارد - این نقاط قوت آن، اما همچنین نقاط ضعف آشکار آن را نشان می‌دهد. در یک محیط طبیعی و آنالوگ، هوش مصنوعی امروزی عموماً در برآورده کردن این الزامات شکست می‌خورد.

اما هوش مصنوعی آماده است تا در سال‌های آینده به آگاهی اولیه دست یابد - طبیعتاً با یک آگاهی ماشینی اولیه و کاملاً فیزیکی که هیچ وجه اشتراکی با آگاهی انسان به جز خواص فیزیکی آن نخواهد داشت. این سطح جدید و چهارم هوش مصنوعی با سیستم‌های نورومورفیک و رایانه‌های کوانتومی مشخص خواهد شد. چنین سیستم‌هایی انگیزه جدیدی به رباتیک سیار و رانندگی خودکار خواهند داد. با این حال، استفاده از سخت‌افزار هوش مصنوعی هنوز باید از نظر سیاسی تنظیم شود. پیش‌نویس "قانون هوش مصنوعی" اتحادیه اروپا که در حال حاضر مورد بحث است، متأسفانه فقط به نرم‌افزار هوش مصنوعی، یعنی سیستم‌هایی در سطوح ۱ تا ۳ اشاره دارد. جامعه همچنین باید با تمام تلاش‌های فراانسان‌گرایانه که خطرات آنها از هر فرصتی بیشتر است، به جز در کاربردهای پزشکی تخصصی، محتاط باشد.

نویسنده: رالف اوت(Ralf Otte)، استاد اتوماسیون صنعتی و هوش مصنوعی در دانشگاه علوم کاربردی اولم است.
منبع:

https://www.bpb.de/shop/zeitschriften/apuz/kuenstliche-intelligenz-2023/541495/intelligenz-und-bewusstsein/

هوش مصنوعیهوش
۰
۰
Erodito
Erodito
«چرا مجبورم میکنی حقیقتی را بگویم که ندانستن‌ش برایت موجب بهترین لذت‌هاست؟بهترین تقدیر آن‌ست که در دسترس شما نیست،یعنی نزادن و نبودن.پس از آن بهترین تقدیر زود مردن است.» ×سیلنوس‌به شاه میداس×
شاید از این پست‌ها خوشتان بیاید