🔻#محاسبات_شناختی - بعنوان یکی از رویکردهای معاصر در #هوش_مصنوعی - شامل روباتیک شناختی، روباتیک توسعه‏یافته، سیستم‏های محاسبه خودآگاه و ... است. 🔻#روباتیک در روزهای اول پیدایش، با مسئله «چگونگی انجام عملکردها» پیوند می‏خورد و غالباً ‌زیرمجموعه رشته مهندسی مکانیک قرار داده می‏شد. در سالیان اخیر اما تأکید بر روی انتخاب عملکرد رفته است؛ یعنی «تصمیم‏گیری» درباره اینکه «چه عملی انجام گیرد». 🔻روباتیک توسعه‏یافته نیز - که بسیار به روباتیک شناختی مربوط است - #یادگیری_ماشین و روان‏شناسی توسعه‏یافته را با هم تلفیق می‏کند. ایده این تحقیقات، توانمندسازی روبات‏ها برای «یادگیری» مستمر است. چنین یادگیری‏ای باید روبات‏های شناختی را برای عملکرد در محیطی بسیار پیچیده و بسیار دینامیک با احتمالاتی فراوان، توانمند سازد. 🔻رون برچمن (Ron Brachman) در توضیح مطلب می‏گوید: «یک سیستم شناختی واقعی باید بتواند تبیین کند که در حال انجام چه کاری بوده و چرا؟ این به قدر کافی خردمندانه خواهد بود اگر "بداند" چه زمانی در حال فروافتادن در یک بن‏بست است و چه زمانی نیاز به درخواست اطلاعاتی دارد که از طریق استدلال بیشتر، قابل دستیابی نیست. با به‏کارگیری چنین ظرفیت‏هایی قدرت مقابله‏ای بلوغ‏آمیز با شرایط پیش‏بینی نشده را داراست». 🔻چالش عمیق در این تعاریف و رویکردها اما پسوند «شناختی» است که همچون صفتی رایج و مدشده، برای طیف وسیع و بی‌مرزی از پدیده‌ها و خصوصیات بکار می‌رود. آیا «تصمیم‌گیری» (در #روباتیک_شناختی)، «یادگیری» (در #روباتیک_توسعه_یافته)، و «دانستن» (در توضیح برچمن) دارای جنبه‌ای سابجکتیو و پدیداری هم هست یا صرفاً در قالب یکسری رفتارها و خروجی‌های قابل مشاهده از منظر سوم‌شخص سنجیده و تعریف می‌شوند؟ آنچه عملا در حوزه فنی هوش مصنوعی جریان دارد و حتی محققان و مهندسان این حوزه بر آن اصرار دارند، در همین حد است. 🔻اگر ماشین بتواند از بین چند گزینه عملکرد در شرایط s1، گزینه درست را به معرض نمایش بگذارد، واجد «تصمیم‌گیری» دانسته می‌شود. و اگر عملکرد درست در محیط‌های بسیار پیچیده دینامیکی (با احتمالات فراوان) را به اجرا درآورد، متصف به «یادگیری مستمر» خواهد شد. و خروجی‌های محاسباتی و رفتاری در راستای دریافت اطلاعات بیشتر و پرهیز از گیرافتادن در بن‌بست، به معنای «دانستن» ماشین نسبت به شرایط مختلف مواجهه تلقی می‌شود. 🔻اما تمام این حالات شناختی (تصمیم‌گیری، دانستن، یادگیری، ...) علاوه بر جنبه‌های کارکردی و رفتاری، دارای یک جنبه درونی هم هستند که از منظر اول‌شخص فاعل شناسا تجربه می‌شود. روباتیک شناختی با تمام هیجان و کاربردهایی که دارد، اما عمیقاً مبتنی بر رویکرد تورینگی (تمایزناپذیری رفتاری و زبانی) است که ماشین "تفکرکننده" را در حد ماشین "عمل‌کننده مشابه انسان خردمند" تقلیل می‌دهد. فارغ از اینکه چنین اعمالی آیا مبتنی بر جهان پدیداری تفکر و تجربه سابجکتیو آن هم هست یا نه؟ آیا مشابهت با عامل انسانی از منظر پدیداری و درونی هم برقرار است؟ 🔻استدلال‌های مختلف فلسفی (مانند استدلال اتاق چینی از جان سرل) نشان دادند که متد تمایزناپذیری رفتاری، علی‌الاصول و فی‌نفسه نمی‌تواند دربردارنده چنین جنبه‌ای باشد. بدین ترتیب چه بسا استعمال پسوند «شناختی» برای این روبات‌ها کمی سخاوتمندانه و بلکه اسراف‌آمیز به نظر می‌رسد (هرچند که این روزها در مورد بسیاری پدیده‌ها و پروژه‌ها و رویکردها رواج دارد). 🔺کما این‌که خود «هوش» هم از این منظر دچار یک تقلیل بزرگ پدیدارشناختی بوده است. البته مادام که هوش مصنوعی را چیزی شبیه این تعریف کنیم، انتظار بیشتری هم نباید داشت: «یک حوزه تخصصی برای ساخت مصنوعاتی با توانایی نمایش رفتارهای تحت کنترل در محیط‏های مختلف و دوره‏های زمانی پایدار» (برینگسجورد، 2014) @PhilMind

📚 #معرفی_کتاب 📙 #هوش_مصنوعی بیولوژی‌محور در سال 2008 و توسط انتشارات MIT بچاپ رسیده است. 📕 این کتاب در هفت فصل به هفت محور که هوش مصنوعی جدید از زیست‌شناسی الهام گرفته، پرداخته است: 1) سیستم‌های تکاملی، 2) سیستم‌های سلولی، 3) سیستم‌های نورونی، 4) سیستم‌های رشدیابنده، 5) سیستم‌های ایمنی، 6) سیستم‌های رفتاری، 7) سیستم‌های اجتماعی 📒 کتاب در واقع به توضیح انقلاب نظری و فنی در تولید و ساخت هوش مصنوعی طی دهه‌های اخیر می‌پردازد که فرآیند 50-40 ساله جریان اصلی مبتنی بر داده‌کاوی و الگوریتم‌های دیجیتال را کنار گذاشت و به منبع الهام خود - هوش طبیعی - توجه کرد. 📘 در اواسط دهه 1980 میلادی بود که طیفی از حوزه‌های تازه تاسیس مانند #علوم_شناختی بدن‌مند، مهندسی نورومورفیک، حیات مصنوعی، #روباتیک رفتارمحور، روباتیک تکاملی، و هوش ترکیبی، اعتبار مفروضات و روش‌های هوش مصنوعی جریان اصلی را زیر سؤال برد و تولید مصنوعاتی با ویژگی‌های عملکردی و نمایش هوش بیولوژیک را هدف قرار داد. 📗 هرچند امروزه درباره رویکرد اتصال‌گرایی/پیوندگرایی (#connectionism) و بدن‌‌مندی (#embodiment) نیز چالش‌ها و سؤالات مهمی - هم از جنبه فنی و هم فلسفی - مطرح شده و گزینه‌های تحول‌آفرین دیگری در مقالات پیشنهاد می‌شود. @PhilMind

📌دیدگاه صرفا مهندسی به #هوش_مصنوعی و تقلیل #آگاهی به یکسری خروجی‌های رفتاری و کارکردی را می‌توان به وضوح در حوزه فنی #AI مشاهده کرد. نمونه این رویکرد از مقاله وینچنزو تاگلیاسکو قابل ذکر است: 📌«یک موجود آگاه مصنوعی موجودی است که ظاهراً آگاه است؛ زیرا شبیه یک انسان آگاه رفتار می‏کند. #آگاهی_مصنوعی یک رشته ساینتیفیک نیست؛ یک حوزه تکنولوژیک است که بیشتر با #روباتیک سر و کار دارد تا با روانشناسی و #نوروساینس ... آگاهی مصنوعی باید در یک چشم‏انداز صرفا تکنولوژیک فهمیده شود. محققین حوزه آگاهی مصنوعی بخوبی می‏دانند که مطالعه آگاهی طبیعی، بسیار دور از نتیجه است». 📌در مقابل این رویکرد، علاوه بر مواضع نزدیک به #دوئالیسم، استدلال‌هایی قرار دارند که عموماً به "شوونیسم زیست‏شناختی" معروف‌اند و می‏گویند فقط ساختارهای بیولوژیکی می‏توانند به آگاهی برسند. چرا؟ یا بخاطر اینکه فقط آنها برخی سطوح پیچیدگی لازم را دارا هستند، یا بخاطر اینکه فقط در آنهاست که در نتیجه فرآیند #تکامل، مجموعه مورد نیاز از تجربه تاریخی نهاده شده است، یا بخاطر اینکه فقط آنها می‏توانند به شیوه‏ای مناسب با جهان در تعامل باشند. 📌تاگلیاسکو اما برای رد این دیدگاه‌ها، تعریف #تجربه_پدیداری را کن فیکون می‌کند و به نوعی پاک‌کردن صورت مسأله دست می‌زند. او تجربه را با «گردآوری فکت‌ها از محیط برای تولید اهداف و انگیزه‏های جدید» تعریف می‌کند و در ادامه به یک پژوهش آزمایشگاهی بر روی یک روبات واکنشی اشاره می‌کند. در این آزمایش دسته‏ای از محرک‏های بصری (یکسری شکل‌های رنگ‏شده که درون ساختار روبات کدگذاری نشده‏ بودند) برای روبات به نمایش در می‏آمد. برای سیستم از پیش، انگیزه‌های مرتبط با اشیاء رنگی تعیین شده و یک محرک بدون رنگ (فارغ از شکل آن) هیچ پاسخی را برنمی‏انگیزد. پس از یک دوره تعامل با اشکال رنگ‏شده، این روبات بطور خودمختار یک هدف جدید در نسبت با شکل‏های رنگ نشده نیز سامان می‌دهد (توسعه هدف جدیدی که در زمان طراحی پیش‏بینی نشده بود). 📌او از این توانایی روبات به ساختن اهداف و انگیزه‌های جدید یاد می‌کند و در واقع وجود «انگیزه» بمثابه یک حالت سابجکتیو را نیز در حد خروجی رفتاری تصدیق می‌کند. این رویکرد رفتارگرایانه به هوش و آگاهی، امتداد چارچوبی‌ست که #آزمون_تورینگ در اواسط قرن بیستم و آغاز شکل‌گیری این حوزه فنی در دستور کار مهندسان AI قرار داد؛ معیار «تمایزناپذیری رفتاری» برای تصدیق «تفکر در ماشین». 📌آیا این تقابل بین حوزه مهندسی و علوم پایه در هوش مصنوعی، قابل جمع است؟ بنظر می‌رسد هم می‌توان رویکردهایی محتمل برای تولید آگاهی مصنوعی پیشنهاد داد و هم آگاهی طبیعی و ساختار بیولوژیک آن را به رسمیت شناخت. دیدگاه‌هایی که بر ایمرج‌کردن آگاهی از سطح نوروفیزیولوژیک تاکید دارند و بدنبال بازسازی مصنوعی پایه شبه بیولوژیک هستند، از همین قبیل‌اند. 📚See: Tagliasco, Vincenzo, 2007, "Artificial Consciousness; A Technological Discipline", In: Chella A., Manzotti R., Artificial Consciousness, Imprint Academic @PhilMind