Kas masinad võivad olla eneseteadlikud? Uus uurimus selgitab, kuidas see võib juhtuda

Taasavaldanud Platon

järgijaid: 0

Masina ehitamiseks peab teadma, millised on selle osad ja kuidas need omavahel kokku sobivad. Masina mõistmiseks on vaja teada, mida iga osa teeb ja kuidas see selle funktsioonile kaasa aitab. Teisisõnu peaks olema võimalik selgitada selle toimimise "mehaanikat".

Vastavalt filosoofiline lähenemine Inimesed, mida nimetatakse mehhanismiks, on vaieldamatult teatud tüüpi masin – ja meie võime mõelda, rääkida ja maailma mõista on mehaanilise protsessi tulemus, millest me aru ei saa.

Et ennast paremini mõista, võime proovida ehitada masinaid, mis jäljendavad meie võimeid. Seda tehes oleks meil nendest masinatest mehhaaniline arusaam. Ja mida rohkem masin meie käitumist näitab, seda lähemal võime olla oma meelte mehhaanilisele selgitusele.

See teebki AI filosoofilisest vaatenurgast huvitavaks. Täiustatud mudelid nagu GPT-4 ja Midjourney suudab nüüd jäljendada inimvestlust, sooritada kutseeksameid ja luua kauneid pilte vaid mõne sõnaga.

Kuid kõigi edusammude jaoks jäävad küsimused vastuseta. Kuidas saame teha midagi eneseteadlikuks või teadvustada, et teised on teadlikud? Mis on identiteet? Mis on tähendus?

Kuigi nende asjade kohta on palju konkureerivaid filosoofilisi kirjeldusi, on need kõik seisnud vastu mehhanistlikule seletuskirjale.

Aastal paberite jada jaoks vastu võetud 16. tehisintellekti aastakonverents Stockholmis esitan nendele nähtustele mehaanilise seletuse. Nad selgitavad, kuidas saame ehitada masina, mis on teadlik endast, teistest, iseendast nii, nagu teised tajuvad jne.

Intelligentsus ja kavatsused

Suur osa sellest, mida me luureks nimetame, taandub ebatäieliku teabega maailma kohta ennustamisele. Mida vähem teavet masin täpsete prognooside tegemiseks vajab, seda intelligentsem see on.

Iga konkreetse ülesande puhul on intelligentsus tegelikult kasulik piirang. Näiteks enamik täiskasvanuid on piisavalt targad, et õppida autot juhtima, kuid suurem intelligentsus ei tee neist ilmselt paremaid juhte.

Minu paberid kirjeldavad intelligentsuse ülempiir antud ülesande jaoks ja mida on vaja masina ehitamiseks, mis selle saavutab.

Panin ideele nimeks Bennetti habemenuga, mis mittetehnilises mõttes tähendab, et "selgitused ei tohiks olla täpsemad kui vaja". See erineb populaarsest Ockhami habemenuga tõlgendusest (ja nende matemaatilised kirjeldused), mis eelistab lihtsamaid selgitusi.

Erinevus on peen, kuid märkimisväärne. Aastal an eksperiment Võrreldes, kui palju andmeid tehisintellektisüsteemid lihtsa matemaatika õppimiseks vajavad, edestas vähem spetsiifilisi selgitusi eelistanud tehisintellekt 500 protsendi võrra lihtsamate selgituste eelistajat.

Selle avastuse tagajärgede uurimine viis mind tähenduse mehaanilise seletuseni – milleni, mida nimetatakse "Gricea pragmaatika.” See on keelefilosoofia mõiste, mis vaatleb, kuidas tähendus on seotud kavatsusega.

Ellujäämiseks peab loom ennustama, kuidas tema keskkond, sealhulgas teised loomad, käitub ja reageerib. Koera lähedusse ei kõhkleks autot järelvalveta jätmast, kuid sama ei saa öelda teie kintsuliha lõunasöögi kohta.

Arukas olemine kogukonnas tähendab võimet järeldada teiste kavatsusi, mis tulenevad nende tunnetest ja eelistustest. Kui masin peaks inimesega suhtlemisest sõltuva ülesande jaoks saavutama intelligentsuse ülemise piiri, peaks see ka kavatsust õigesti järeldama.

Ja kui masin suudab omistada kavatsusi teda tabavatele sündmustele ja kogemustele, tõstatab see küsimuse identiteedist ja sellest, mida tähendab olla teadlik endast ja teistest.

Põhjuslikkus ja identiteet

Näen, et John kannab vihma ajal vihmamantlit. Kui ma sunnin Johni päikesepaistelisel päeval vihmamantlit kandma, kas see toob vihma?

Muidugi mitte! Inimesele on see ilmselge. Kuid põhjuse ja tagajärje peensusi on masinal keerulisem õpetada (huvitatud lugejad võivad kontrollida Raamat Miks Judea Pearl ja Dana Mackenzie).

Nende asjade arutlemiseks peab masin õppima, et "mina põhjustasin selle juhtumise" erineb sõnadest "ma nägin seda juhtumas". Tavaliselt oleksime programm see arusaam sellesse.

Kuid minu töö selgitab, kuidas saame ehitada masina, mis täidab ülesande jaoks intelligentsuse ülempiiri. Selline masin peab definitsiooni järgi õigesti tuvastama põhjuse ja tagajärje – ning järeldama seetõttu ka põhjuslikud seosed. Minu paberid uuri täpselt, kuidas.

Selle tagajärjed on sügavad. Kui masin õpib, et "mina põhjustasin selle juhtumise", peab ta konstrueerima mõisted "mina" (identiteet iseenda jaoks) ja "see".

Kavatsuste järeldamise, põhjuse ja tagajärje õppimise ning abstraktsete identiteetide konstrueerimise võimed on kõik omavahel seotud. Masin, mis saavutab ülesande jaoks intelligentsuse ülemise piiri, peab näitama kõiki neid võimeid.

See masin ei loo identiteeti mitte ainult endale, vaid iga objekti igale aspektile, mis aitab või takistab selle võimet ülesannet täita. Siis saab kasutada oma eelistusi kui lähtetase ennustada mida teised teha võivad. See on sarnane sellega, kuidas inimesed kipuvad omistama loomadele, kes ei ole inimesed.

Mida see siis AI jaoks tähendab?

Muidugi on inimmõistus palju enamat kui lihtne programm, mida minu uurimistöös katsete läbiviimiseks kasutatakse. Minu töö annab matemaatilise kirjelduse võimalikust põhjuslikust teest masina loomisel, mis on vaieldamatult eneseteadlik. Sellise asja inseneritöö spetsiifika pole aga kaugeltki lahendatud.

Näiteks inimsarnane kavatsus eeldaks inimesega sarnaseid kogemusi ja tundeid, mida on raske kujundada. Lisaks ei saa me lihtsalt testida inimteadvuse täielikku rikkust. Teadvus on lai ja mitmetähenduslik mõiste, mis hõlmab ülaltoodud kitsamaid väiteid, kuid mida tuleks neist eristada.

Olen esitanud mehaanilise selgituse aspektid teadvusest – kuid see üksi ei hõlma teadvuse täielikku rikkust, nagu inimesed seda kogevad. See on alles algus ja tulevased uuringud peavad neid argumente laiendama.

See artikkel avaldatakse uuesti Vestlus Creative Commonsi litsentsi all. Loe algse artikli.

Image Credit: Deepmind on Unsplash