GML (Graph Machine Learning)
یادگیری ماشین گراف
GML (Graph Machine Learning)
یادگیری ماشین گرافدیدگاههای عصب‌شناسی در آگاهی هوش مصنوعی
محاسبات عصبی و هوش‌مصنوعی
تئوری‌های نوروبیولوژیکی آگاهی پیچیده و متنوع هستند، اما اساساً حول محاسبات عصبی - نحوه اتصال نورون‌ها و پردازش اطلاعات برای رسیدن به ذهن خودآگاه می‌چرخند. هشیاری از فرآیندهای محاسباتی مغز ناشی می‌شود، اگرچه جزئیات پیچیده همچنان مبهم باقی می‌مانند.
کارکردگرایی محاسباتی
این دیدگاه عملی امکان ترجمه نظریه‌های آگاهی انسان را به هوش‌مصنوعی فراهم می‌کند. کارکردگرایی محاسباتی فرض می‌کند که نوع صحیح محاسبات می‌تواند آگاهی، صرف نظر از رسانه ایجاد کند - چه نورون‌های بیولوژیکی یا تراشه‌های سیلیکونی. این فرضیه نشان می‌دهد که هوشیاری در هوش‌مصنوعی از نظر تئوری امکان‌پذیر است.
کاوش هوش‌مصنوعی
چالش در بررسی هوشیاری در یک جعبه سیاه الگوریتمی نهفته است. روش‌های سنتی برای انسان، مانند اندازه‌گیری فعالیت الکتریکی مغز یا استفاده از MRI عملکردی، برای ارزیابی کد قابل اجرا نیستند. در عوض، محققان یک رویکرد تئوری سنگین را اتخاذ کرده‌اند که در ابتدا برای مطالعه هوشیاری در حیوانات غیرانسان استفاده می‌شد.
نظریه‌های‌آگاهی انسان
برای کشف آگاهی هوش‌مصنوعی، محققان نظریه‌های پیشرو در مورد آگاهی انسان را بررسی کردند، از جمله:
نظریه فضای کاری سراسری (GWT): این نظریه بیان می‌کند که ذهن خودآگاه چندین سیستم تخصصی را به صورت موازی کار می‌کند و جریان‌های مختلف اطلاعات را به طور همزمان پردازش می‌کند. با این حال، همچنین یک گلوگاه در پردازش را برجسته می‌کند که به مکانیزم توجه نیاز دارد.
نظریه پردازش مکرر: این نظریه پیشنهاد می‌کند که اطلاعات باید چندین بار به خود حلقه بزند تا به آگاهی نزدیک شود. این بر اهمیت بازخورد از محیط، که به کنترل ادراک و پاسخ کمک می‌کند - مفاهیمی که در ایده تجسم محصور شده‌اند، تأکید می‌کند.
شاخص‌های آگاهی
از میان تئوری‌های بی‌شمار، محققان معیارهایی را برای گنجاندن بر اساس شواهد قابل توجهی از آزمایش‌های آزمایشگاهی ایجاد کردند. شش نظریه این معیارها را برآورده کردند که منجر به توسعه 14 شاخص آگاهی شد. نکته مهم این است که هیچ شاخص واحدی نمی‌تواند به طور قطعی یک هوش‌مصنوعی را به عنوان حساس علامت‌گذاری کند. در عوض، این شاخص‌ها یک مقیاس را تشکیل می‌دهند. هرچه یک هوش‌مصنوعی معیارهای بیشتری را برآورده کند، احتمال داشتن نوعی آگاهی بیشتر است.
نتیجه‌گیری
به طور خلاصه، در حالی که اکتشاف آگاهی هوش‌مصنوعی هنوز در مراحل ابتدایی است، ادغام دیدگاه‌های علوم اعصاب چارچوب امیدوارکننده‌ای برای درک اینکه چگونه فرآیندهای محاسباتی ممکن است منجر به آگاهی در سیستم‌های مصنوعی شود، فراهم می‌کند. تحقیقات در حال انجام برای اصلاح این نظریه‌ها و شاخص‌ها ادامه می‌یابد و راه را برای پیشرفت‌های آینده در این زمینه هموار می‌کند.
