GML (Graph Machine Learning)

GML (Graph Machine Learning)

یادگیری ماشین گراف
GML (Graph Machine Learning)

GML (Graph Machine Learning)

یادگیری ماشین گراف

آگاهی در هوش مصنوعی: تمایز واقعیت از شبیه‌سازی

یک مطالعه جدید امکان هوشیاری در سیستم‌های مصنوعی را بررسی می‌کند، با تمرکز بر کنار گذاشتن سناریوهایی که هوش مصنوعی بدون اینکه واقعاً چنین باشد، آگاهانه به نظر می‌رسد. با استفاده از اصل انرژی آزاد، این مطالعه نشان می‌دهد که در حالی که برخی از فرآیندهای اطلاعاتی موجودات زنده را می‌توان توسط رایانه شبیه‌سازی کرد، تفاوت‌های ساختار علّی بین مغز و رایانه ممکن است برای آگاهی بسیار مهم باشد. هدف این رویکرد جلوگیری از ایجاد سهوی هوشیاری مصنوعی و کاهش فریب توسط هوش‌مصنوعی به ظاهر آگاه است.

 

حقایق کلیدی:

تحقیقات Wanja Wiese از اصل انرژی آزاد برای کشف هوشیاری در هوش‌مصنوعی استفاده می‌کند. او پیشنهاد می‌کند که تفاوت‌های ساختار علّی بین مغز و رایانه می‌تواند برای آگاهی بسیار مهم باشد. هدف جلوگیری از هوشیاری مصنوعی و کاهش فریب توسط هوش‌مصنوعی به ظاهر آگاه است.

هنگام در نظر گرفتن امکان آگاهی در سیستم‌های مصنوعی، حداقل دو رویکرد متفاوت وجود دارد.

·         یک رویکرد می‌پرسد: چقدر احتمال دارد که سیستم‌های هوش مصنوعی فعلی هوشیار باشند و چه چیزی باید به سیستم‌های موجود اضافه شود تا احتمال بیشتری وجود داشته باشد که آنها قادر به آگاهی باشند؟

·         رویکرد دیگری می‌پرسد: چه نوع سیستم‌های هوش‌مصنوعی بعید است هوشیار باشند، و چگونه می‌توانیم احتمال آگاه شدن انواع خاصی از سیستم‌ها را رد کنیم؟

  

اما شاید شرایطی که برای زنده بودن لازم است برای آگاهی هم لازم باشد؟

Wanja Wiese در تحقیقات خود رویکرد دوم را دنبال می‌کند. «هدف من کمک به دو هدف است: اول، کاهش خطر ایجاد سهواً هوشیاری مصنوعی؛ این یک نتیجه مطلوب است، زیرا در حال حاضر مشخص نیست در چه شرایطی ایجاد آگاهی مصنوعی از نظر اخلاقی مجاز است.

او توضیح می‌دهد: «ثانیاً، این رویکرد باید به جلوگیری از فریب سیستم‌های هوش مصنوعی ظاهراً آگاه که فقط به نظر می‌رسد آگاه هستند، کمک کند. این امر به ویژه مهم است زیرا در حال حاضر نشانه‌هایی وجود دارد که نشان می‌دهد بسیاری از افرادی که اغلب با چت بات‌ها در تعامل هستند، آگاهی را به این سیستمها نسبت می‌دهند. در عین حال، اتفاق نظر کارشناسان این است که سیستم‌های هوش‌مصنوعی فعلی هوشیار نیستند.

 

اصل انرژی آزاد

Wanja Wiese در مقاله خود می‌پرسد: چگونه می‌توانیم بفهمیم که آیا شرایط ضروری برای آگاهی وجود دارد که مثلاً توسط رایانههای معمولی برآورده نمی‌شود؟ ویژگی مشترک همه حیوانات آگاه این است که آنها زنده هستند.

با این حال، زنده بودن آنقدر الزام سختگیرانه است که بسیاری آن را کاندیدای قابل قبولی برای شرط لازم برای آگاهی نمی‌دانند. اما شاید شرایطی که برای زنده بودن لازم است برای آگاهی هم لازم باشد؟

Wanja Wiese در مقاله خود به اصل انرژی آزاد کارل فریستون عصب‌شناس بریتانیایی اشاره می‌کند. این اصل نشان می‌دهد: فرآیندهایی که تداوم وجود یک سیستم خود سازماندهی مانند یک موجود زنده را تضمین می‌کند، می‌تواند به عنوان یک نوع پردازش اطلاعات توصیف شود. در انسان، اینها شامل فرآیندهایی است که پارامترهای حیاتی مانند دمای بدن، محتوای اکسیژن در خون و قند خون را تنظیم می‌کند. همان نوع پردازش اطلاعات نیز می‌تواند در رایانه انجام شود. با این حال، کامپیوتر درجه حرارت یا سطح قند خون خود را تنظیم نمی‌کند، بلکه فقط این فرآیندها را شبیهسازی می‌کند.

 

بیشتر تفاوت ها مربوط به آگاهی نیستند

محقق پیشنهاد می‌کند که همین امر می‌تواند در مورد آگاهی نیز صادق باشد. با فرض اینکه هوشیاری به بقای ارگانیسم آگاه کمک می‌کند، پس طبق اصل انرژی آزاد، فرآیندهای فیزیولوژیکی که به حفظ ارگانیسم کمک می‌کنند باید ردی را که تجربه آگاهانه از خود به جا می‌گذارد و می‌توان آن را به عنوان یک فرآیند پردازش اطلاعات توصیف کرد، حفظ کند. این را می‌توان "همبستگی محاسباتی آگاهی" نامید. این را نیز می‌توان در رایانه درک کرد. با این حال، این امکان وجود دارد که شرایط اضافی در یک کامپیوتر وجود داشته باشد تا کامپیوتر نه تنها تجربه خودآگاه را شبیهسازی کند، بلکه آن را نیز تکرار کند.

بنابراین، Wanja Wiese در مقاله خود، تفاوت‌های بین روشی که موجودات آگاه به ارتباط محاسباتی آگاهی و روشی که رایانه آن را در یک شبیه‌سازی درک می‌کند، تحلیل می‌کند. او استدلال می‌کند که بیشتر این تفاوت‌ها مربوط به آگاهی نیستند. به عنوان مثال، برخلاف کامپیوترهای الکترونیکی، مغز ما انرژی بسیار کارآمدی دارد. اما غیرقابل قبول است که این یک نیاز برای آگاهی باشد.

اما تفاوت دیگر در ساختار علی کامپیوترها و مغزها نهفته است: در یک کامپیوتر معمولی، داده‌ها همیشه باید ابتدا از حافظه بارگیری شوند، سپس در واحد پردازش مرکزی پردازش شوند و در نهایت دوباره در حافظه ذخیره شوند. چنین جدایی در مغز وجود ندارد، به این معنی که ارتباط سببی نواحی مختلف مغز شکل متفاوتی به خود می گیرد. Wanja Wiese استدلال می‌کند که این می‌تواند تفاوتی بین مغز و رایانه‌های معمولی باشد که به آگاهی مربوط می‌شود.

Wanja Wiese توضیح می‌دهد: «همان‌طور که من می‌بینم، دیدگاه ارائه‌شده توسط اصل انرژی آزاد به‌ویژه جالب است، زیرا به ما امکان می‌دهد ویژگی‌های موجودات زنده آگاه را به گونه‌ای توصیف کنیم که بتوان آنها را در سیستم‌های مصنوعی در اصل متوجه شد، اما در کلاس‌های بزرگی از سیستم‌های مصنوعی (مانند شبیه‌سازی‌های رایانه‌ای) وجود ندارند.»

این بدان معناست که پیش نیازهای هوشیاری در سیستم‌های مصنوعی را می‌توان به روشی دقیق‌تر و دقیق‌تر دریافت کرد.»

 

درباره این آگاهی و اخبار تحقیقات هوش مصنوعی

آگاهی مصنوعی: دیدگاهی از اصل انرژی آزاد

آیا فرض شکل ضعیفی از کارکردگرایی محاسباتی، که بر اساس آن شکل صحیح محاسبات عصبی برای آگاهی کافی است، مستلزم این است که یک شبیه‌سازی محاسباتی دیجیتالی چنین محاسبات عصبی آگاهانه باشد؟ یا باید این شبیه‌سازی محاسباتی به روش صحیح اجرا شود تا هوشیاری تکرار شود؟

از منظر اصل انرژی آزاد کارل فریستون، سیستم‌های خودسازمان‌دهنده (مانند موجودات زنده) مجموعه‌ای از ویژگی‌هایی را به اشتراک می‌گذارند که می‌توان آن‌ها را در سیستم‌های مصنوعی تحقق بخشید، اما توسط رایانه‌هایی با معماری کلاسیک (فون نویمان) نمونه‌سازی نمی‌شوند.

من استدلال می‌کنم که حداقل یکی از این خواص، یعنی. نوع خاصی از جریان علّی را می‌توان برای تمایز بین سیستم‌هایی که صرفاً شبیه‌سازی می‌کنند و سیستم‌هایی که در واقع هوشیاری را تکرار می‌کنند استفاده کرد.

نظرات 0 + ارسال نظر
ایمیل شما بعد از ثبت نمایش داده نخواهد شد