Um proti računalniku

sobota, 8. oktober 2005 @ 06:12 CEST

Piše: Sunil Sah

Knjiga Um proti računalniku vsebuje 20 člankov o umetni inteligenci, ki so jih napisali avtorji z različnih področij raziskovanja in z različnimi prepričanji. Od teh bo predstavljenih šest, ki razumevanje praktičnega in teoretičnega računalništva poskušajo dopolniti z argumenti iz drugih ved, kot so kognitivne znanosti, psihologija, sociologija, filozofija in biologija.

Michie se posveti razčlembi delovanja dveh velikih projektov močne umetne inteligence in iz njih sestavi priporočila za prihodnost. Gams predstavi zamisel o delitvi umetne inteligence glede na večmodelnost. Watt se posveti ocenjevanju računalniške inteligence glede na subjektivno združljivost s človeško, medtem ko Peschl utemeljuje izbore za prestavitev znanja glede na evolucijsko teorijo in filozofske podlage. Bojadžiev zavrne uporabo Gödelovega izreka o nepopolnosti kot argument proti obstoju umetne inteligence, ter ga izpostavi kot podobnost formalnih in naravnih jezikov. Za konec Radovan prikaže močno in šibko vejo kot različna nivoja abstrakcije istega sistema, ter razmisli o primernosti današnje znanosti za raziskovanje subjektivnosti.

1. Michijeva razčlemba veje močne umetne inteligence

Michie začne svoj članek s poskusom bolj natančne opredelitve močne umetne inteligence. Da ne bi govoril samo o abstraktnih pojmih, za pripadnike te veje označi skupino raziskovalcev v ZDA, ki je delovala med leti 1965 and 1985. Ta je nadaljevala delo na raziskavah in zamislih Alana Turinga, predvsem na njegovem preizkusu, s katerim naj bi ocenili sposobnost pravega mišljenja določenega stroja tako, da bi se ta uspešno predstavil kot človek človeškemu spraševalcu.

2. Turingova osnova

Poleg same definicije svojega preskusa je Turing podal svoje poglede in ugibanja o tem, kakšni naj bi bili postopki za izgradnjo ustreznega stroja.

Že s svojim preskusom je Turing namignil na to, da je zanj sposobnost, ki jo imenujemo inteligenca, bolj sposobnost sporazumevanja kot pa samega reševanja problemov. V njegovi igri oponašanja bi bilo samo natančno reševanje problemov nezadostno - upoštevanje samo te sposobnosti bi kaj kmalu razkrilo stroj, saj bi bil ta preveč natančen za človeka. Sporazumevanje pa po drugi strani zajema razumevanje vsebine in na podlagi tega ustrezno oblikovanje odgovorov. Zakaj se nam zdi človeški velemojster šaha inteligenten, računalniški program, ki mojstra sicer premaga, pa ne? Ker vemo, da računalnik ne počne drugega kot učinkovito rešuje nalogo šaha - hitro preračunava vrednost posameznih potez. Inteligenten pa se nam bo zdel šele, ko bo premagal človeškega igralca in znal povedati, kako mu je to uspelo.

Znanje, ki ga bo moral stroj vsebovati, bo torej obsežnejše od nekaj postopkov za reševanje določenih problemov. S tem se pojavi vprašanje, na kakšen način bi bilo to znanje najbolje pridobiti. Turingova ocena je bila, da bi bila za njegov preizkus dovolj informacija shranjena v enem gigabitu pomnilnika, kar bi spravilo skupaj šestdeset strokovnjakov v petdesetih letih. To pa je veliko tudi, če odmislimo, da so njegove predpostavke o količini potrebne informacije in njenem izdelovanju bržkone precej optimistične. Turing je upošteval prirastek tisoč znakov kode na dan, kolikor je je v tem času navadno sam napisal. Raziskave pa kažejo, da v današnjem velikem programskem projektu en človek prispeva v povprečju le okoli deset vrstic kode na dan.

Če tako izvzamemo neposredno vnašanje znanja in izpeljevanje iz vprogramiranih dejstev, nam za sestavo ustrezno obsežne baze znanja preostanejo strojni postopki. Zamisel je Turing predstavil z analogijo človeškega učenja. Namesto da poskušamo narediti program, ki bo oponašal možgane odrasle osebe, izdelamo takega, ki bo deloval kot otroški možgani, in preko primernega postopka učenja razvil funkcionalnost odraslega.

To po Michiju dokazuje, da se je že Turing zavedal pomembnosti strojnega učenja, in da so napadi pripadnikov šibke umetne inteligence nanj deloma neutemeljeni. Da ne bi prihajalo do teh nesporazumov Michie uvede svoj sistem skupin. Tiste privržence močne umetne inteligence, ki se jim strojno učenje ne zdi bistveno za izdelavo inteligentnega sistema, označuje z imenom T-minus, kar naj bi pomenilo korak nazaj od Turinga. Predstavnik te skupine bi bil Ginsberg, ki v svoji knjigi opisuje delovanje takega sistema samo na podlagi neposredno vnešenih dejstev. Na drugi strani pa so tisti, ki so na nek način nadgradili Turingovo zamisel. Predstavnik te skupine bi bil McCarthy. Ta je že leta 1959 podal mnenje, da je meja med zavestnim in nezavestnim mišljenjem tam, kjer se nepogojni odzivi na okolje nadgradijo v informacijo, ki je podvržena razumskemu ocenjevanju. Zavedal se je dejstva, da so nizkonivojski in visokonivojski procesi mišljenja zelo tesno povezani, in bil mnenja, da je taka struktura nujna za vsak inteligentni sistem. Tega Michie uvršča v skupino T-plus.

2.2. Projekti skupine T-minus

Skupina T-minus torej predstavlja nalogo umetne inteligence kot inženirski postopek izgradnje simbolnega sistema, ki bo zanesljivo opravil Turingov preizkus. Dva pomembnejša projekta te skupine sta bila Projekt pete generacije na Japonskem med leti 1979 in 1981, ki je imel cilj doseči inteligenco primerljivo človeški do konca 80 let. Drugi veliki projekt iz ZDA, ki ga je vodil Lenat, se je imenoval CYC. Namen tega je bil izdelati veliko interaktivno bazo znanja, ki naj bi opisovala to, čemur ljudje pravijo zdrava pamet. Ta naj bi bila s časom zmožna vklopiti vase besedilne podatke iz učbenikov in časopisov in se na koncu učiti neposredno od ljudi.

Noben od the projektov po Michieju in drugih ni dal zadovoljivih rezultatov. Čeprav so seveda veliko pripomogli k globjem razumevanju v dotičnih raziskavah, niso uspeli v svojem glavnem cilju, to je zadovoljivo se približati človeški inteligenci. Razlogov za to naj bi bilo več. Med njimi se omenja neupoštevanje pomembnosti strojnega učenja. Projekt pete generacije se je v začetku zanašal na ročno vnešeno znanje, in vodstvo je šele kasneje postavilo induktivno pridobivanje znanja kot osrednjo nalogo projekta. Sam razvoj induktivnega logičnega programiranja pa se je zaradi zapletov s sofinanciranjem različnih družb poenostavil v nalogo uspešnega povezovanja z že obstoječimi postopki. Pri CYC se je sicer že na začetku priznalo pomembnost strojnega učenja, a vseeno tudi tu ni prišlo do dovolj sistematičnega razvoja. Za pomanjkljivost štejejo tudi to, da sta bila projekta usmerjena v en sam model, medtem ko naj bi bila boljša rešitev več povezanih pogledov na znanje, kar bi bilo bolj blizu človeški predstavi razumevanja.

Projekti takega kova morajo seveda upoštevati še eno, sicer ne zelo priljubjeno plat, in to je denar. Zanemarjanje tega vidika je po mnenju nekaterih vodilo v navzkrižne želje raziskovalcev in sponzorjev iz industrije. Program, ki bi deloval kot splošni sogovornik, bi sicer bil zelo odmeven, a bi bil tržno zanimiv mogoče le kot igrača. Če bi se raziskovalci odločili za bolj industrijski program, z ožje usmerjenim, a zato poglobljenim znanjem, bi bil morda bolj všeč mecenom, in sredstva za raziskave bi bile na voljo dalj časa. S tem tudi ne bi nujno zatrli začetne motivacije za raziskave - povsem smiselno je pričakovati, da bi rešitve v specializiranih programih dale vodila, kako izdelati pravega splošnega človeškega oponašalca.

2.3. Prihodnost

Nekateri menijo, da umetna inteligenca že ima primerno teoretično osnovo, in da je vse, kar je potebno še narediti, predvsem inženirsko delo. Michie pravi, da se s tem ne more strinjati nihče, ki ve, da še vedno ne obstaja sistematični opis konceptov človeškega vsakodnevnega delovanja, kot so na primer časovno zaporedje, vzročnost, namenskost, vsebinski okvirji in podobno. Kako naj bi pričakovali, da bomo kot rezultat projekta kot je peta generacija ali CYC dobili program, ki bo sposoben uporabljati vsa ta orodja, če še nimamo programskega jezika, v keterem bi lahko te koncepte izrazili?

V sorodnih znanostih preučevanja mišljenskih procesov dobiva podporo zamisel, da velik del mišljenja ne poteka zavestno, pač pa podzavestno preko predelovanja nesimbolnih podatkov. To pomeni, da je usmeritev skupine T-minus napačna ne samo zato, ker bi po tudi zelo optimističnih ocenah postopek učenja predolg, pač pa tudi, ker večina potrebnega znanja sploh ni zavestno dosegljiva. Razen, če imamo za vse pomembne podzavestne procese enakovredne rešitve, bo ročno sestavljanje baze znanja odpovedalo, saj to temelji izključno na samovpogledu. Skladno s tem se povečuje teža induktivistične veje umetne inteligence, ki upošteva pomen podzavestnih procesov, in jih namesto s simbolnim postopkom poskuša simulirati z induktivnim učenjem na posnetku človeškega delovanja.

Kot zaljuček Michie navaja, spet po McCarthyju, da preden lahko pričakujemo, da se bo program lahko česa naučil, mu moramo biti sposobni to povedati. Bistvenega pomena je torej jezik hipotez, v katerem izražamo znanje. Smer, v kateri izgleda pametno nadaljevati, je nadgradnja induktivnega logičnega programiranja, in povezovanje tega s drugimi obetavnimi tehnikami, kot je programiranje z omejitvami in konstruktivna indukcija atributov. Za nadzor obsega pri velikih bazah znanja pa bi lahko vpeljali tudi koncepte objektnosti.

3. Gamsovi hipotezi večkratnega znanja

Za boljše razumevanje položaja na področju umetne inteligence in njenih dveh vej je dobro poznati okoliščine, ki so to delitev povzročile. Gams zato začne s kratkim opisom zgodovine umetne inteligence, ki jo povzema po Michalskiju in Tecuciju.

3.1. Zgodovina umetne inteligence

Začetno navdušenje (1955-1965)
Zaradi odkritja, da so možgani nekaj velikostnih razredov počasnejši od računalnikov v hitrosti preklopov in prenosa informacije, je prevladalo mnenje, da bo bodo računalniki s podobnim programom, kot ga uporabljajo možgani, imeli veliko večje sposobnosti od človeškega uma. Raziskave so se zato vršile predvsem na področjih učenja brez vaprejšnjega znanja, umetnih nevronskih mrežah in evolucijskem učenju.

Srednji vek (1965-1975)
Kmalu se je izkazalo, da ti pristopi ne dajejo želenih rezultatov. Sposobni so bili samo omejenega reševanja precej preprostih nalog. Posledično se je zmanjšalo tudi vlaganje, raziskovalci pa so se usmerili na nove metode z uporabo začetnega znanja, ki naj bi pospešilo strojno pridobivanje novega.

Renesansa (1975-1980)
Raziskave so se tako nadaljevale s skromnejšimi cilji. Ti so bili primernejši za obstoječo tehnologijo in postopke, ter zato včasih dali celo boljše rezultate od pričakovanih. Hkrati z izdelavo prvih uspešnih uporabnih programov so se začele odvijati konference po vsem svetu, na katerih so se primerjali različni pristopi k problemom.

Razcvet (1980-1990)
Specializirani programi za ozke problemske domene, imenovani ekspertni sistemi, so postali tržno zelo uspešni. Vlaganje, raziskave in število člankov se je izjemno povečalo, kar je zahtevalo bolj sistematično primerjavo med postopki. Abstraktne raziskave na področju koncepta učenja so združile rezultate, poimenovane teorija naučljivosti. Dva velika projekta umetne inteligence, CYC in Projekt pete generacije, sta se že približevala zaključku. Oživele so tudi raziskave na nesimboličnih pristopih. Vseeno pa še vedno ni bilo nikjer čutiti prave splošne umetne inteligence.

Zima (1990-1995)
Čeprav je bil rezultat Projekta pete generacije delujoč računalniški sistem, v določenih nalogah učinkovitejši od klasičnega, pa niti ta niti projekt CYC nista uspela izdelati splošno inteligentnih ali komercialno uspešnih sistemov. Kritiki so bili mnenja, da jih z obstoječimi postopki ni mogoče tako preprosto doseči. Vse glasnejši so tako postajali pesimisti z mnenjem, da umetna inteligenca z obstoječimi postopkovnimi računalniki in algoritmi sploh ni možna, glede na to da se v tridesetih letih ni prišla blizu niti precej preprostim biološkim inteligentnim sistemom. V tem duhu so se sredstva namenjena področju umetne inteligence spet zmanjšala, kar pa je veljalo tudi na splošno za celotno znanost.

Nevidna umetna inteligenca (1995-)
Področje je tako izgubilo precej pozornosti javnosti, vendar pa so se začeli algoritmi umetne inteligence pojavljati na višjih ravneh navadnih programskih paketov kot delujoči dodatki. Hkrati s tem se je pojavilo veliko novih, precej revolucionarnih zamisli za nadaljevanje raziskav, ki se zmerom manj navezujejo na klasične temelje računalništva, kot sta Church-Turingova hipoteza oziroma Gödelovi izreki.

3.2. Močna in šibka umetna inteligenca

Izvirno je ta pojma določil Searle. Močna umetna inteligenca pravi, da je za dosego inteligence človeške ravni potrebno poznati le pravi postopek, ki je neodvisen od arhitekture in načina izdelave. Šibka umetna intelienca pa temu nasprotuje in se opira na pridobivanje znanja in izkušenj iz sorodnih ved, s katerimi nadgrajuje računski pristop.

Jedro močne umetne inteligence predstavlja Church-Turingova hipoteza. Ta pravi, da se vse, kar izgleda, kot da se da izračunati, da izračunati tudi na Turingovemu stroju, ki je matematični model vseh računalnikov z izjemo najbolj omejenih. Iz tega modela sicer sledi tudi, da obstajajo težji problemi, ki se jih s postopkovnimi metodami v splošnem sploh ne da rešiti, vendar naj bi problem umetne inteligence ne spadal pod te.

Prvi zagovorniki šibke umetne inteligence so predstavili svoja mnenja že zgodaj, a ker je njihovo nasprotovanje določenim ustaljenim predpostavkam znotraj računalništva posredno namigovalo na to, da je nekaj narobe s celotno znanostjo, ki je postopkovna, je bilo nasprotovanje temu tolikšno, da je ta zares zaživela šele po letu 1990. Takrat se oglasilo veliko uglednih znanstvenikov zagovornikov šibke umetne inteligence, kar je omogočilo bolj dvostransko soočenje mnjenj.

Eden pomembnih dogodkov je bila objava knjige matematika in fizika Rogerja Penroseja, profesorja na Oxfordu, z naslovom Cesarjeva nova pamet, z namigom na knjigo Hansa Christiana Andersona Cesarjeva nova oblačila. V Andersonovi knjigi prevaranta prodata cesarju oblačilo, ki naj bi bilo nevidno za vse neumneže. Ker si nihče ne želi izpasti bedak, vsi občudujejo cesarjeva oblačila, čeprav jih v resici sploh ni. Podobno pravi Penrose: vsi občudujejo močno umetno inteligenco, ker vanjo verjamejo ali nočejo biti kritizirani, pa čeprav ta ni dala nobenih prepričljivih rezultatov. Seveda se tudi Penrose ni uspel izogniti plazu negativnih kritik, še posebej zato, ker so bili njegovi argumenti dvomljivi celo za del pripadnikov šibke umetne inteligence. Kljub temu je bil končni rezultat ta, da se je umetna inteligenca odprla za zamisli sorodnih znanost, ki nimajo tako trdne matematične podlage.

Močna in šibka umetna inteligenca nista strogo ločeni, temveč lahko stališča umestimo na veliko položajev med njima. Kar nekaj avtorjev poskuša to sistematično opisati. Sloman na primer predlaga za določitve razredov predpostavke, kaj mora za zdaj neznani algoritem prave umetne inteligence nujno vsebovati. Gams pa postavi ločnico z uporabo zamisli o večmodelnosti.

3.3. Večmodelna predstavitev znanja

Znanje o določeni problemski domeni lahko predstavimo kot en sam model, ali pa kot več modelov, ki zajemajo različne poglede na naš problem. Hipoteza večkratnega znanja pravi, da je bolje imeti več modelov. Gams oblikuje dve različici. Splošna hipoteza večkratnega znanja pravi, da je pri obravnavi domen iz resničnega sveta bolje izdelati in združiti več modelov kot uporabiti enega samega, če je le možno to narediti na smiselen način. Močna hipoteza večkratnega znanja gre še dalj, in trdi, da je več modelov pomena nujna sestavina splošne inteligence, pa naj bo ta človeška ali strojna. Več modelov lahko na tak ali drugačen način vedno združimo v enega, a po splošni hipotezi večkratnega znanja takega modela ni moč izdelati, ne da bi posredno izdelali modele, iz katerih je sestavljen.

Gams opira te svoje trditve na praktične rezultate preskusov, ki jih delal skupaj z Karbajem in Drobničem. Pri teh so po združitvi modelov v enega opazili zmanjšanje dolžine opisa in povečanje natančnosti razvrščanja. Kot argumente v podporo hipotezam Gams navaja več virov raziskav z različnih področij. Med njimi so raziskave učinkovitosti dela ljudi, kjer je skupina strokovnjakov uspešnejša od posameznika, ali pri posamezniku sestava človeških možgan, ki vsebuje veliko podvajanja. K temu se nagiba tudi teorija nevronskega darwinizma, ki jo je začel Edelman, in po kateri je osnova samozavedanja in zavesti tekmovanje skupin nevronov med seboj. Drugi primeri zajemajo različne modele učenja, za katere je možno teoretično ali s praktičnimi rezultati pokazati izboljšanje pri uporabi več modelov skupaj.

Te neformalne ugotovitve poskusi Gams uvesti v teorijo izračunljivosti. Močna hipoteza o večkratnem znanju je v nasprotju s Churchovo hipotezo, po kateri so vsi modeli Turingovih strojev enakovredni. Razliko poskusi omiliti s tem, da omeji nujnost uporabe večmodelnosti samo na postopek izgradnje algoritma. V to, kakšna naj bi bila natančnejša definicija eno in večmodelnih Turingovih strojev, se ne poglablja. Ne izključuje pa možnosti, da so poljubni Turingovi stroji nezadostni za izgradnjo pravega algoritma za umetno inteligenco, ter da so potrebna orodja z močnejšim načinom računanja.

Gams je mnenja, da načelo večkratnega znanja nadgrajuje načelo Occamove britve, po kateri so najpreprostejše rešitve pogosto najbolj pravilne. Njegovo razmišljanje se da razumeti tako, da je povečanje moči znanja možno samo preko zmanjšanja jasnosti. Zaključi z mislijo, da šibka umetna inteligenca ne bo uničila ustaljene formalne znanosti, temveč ravno nasprotno - z delno preusmeritvijo pozornosti na manj formalizirane vede se bo obseg znanja povečal.

4. Wattova naivna psihologija

V umetni inteligenci so se že pred časom pojavila mnenja, da veliki formalni sistemi, ki v podrobnosti zajemajo teoretično ozadje številnih področij, mogoče niso najprimernejši za nalogo splošne inteligence. Namesto tega je Hayes predlagal modeliranje znanja o fizičnem svetu, ki ga ima vsak človek. Ti modeli so postali znani pod nazivom naivna fizika, in bi jih lahko opisali tudi kot zdravorazumsko védenje o fiziki. Izkazalo se je, da je pojem zdravega razuma zelo težko opisljiv, in da sama naivna fizika tudi ne zadošča za nekaj, kar bi večina ljudi imenovala pravo inteligenco. Watt pravi, da je to, kar bi zares potrebovali, naivna psihologija.

Na enak način, kot so ljudje sposobni sklepati o dogajanju v fizičnem svetu, ne da bi poznali natančnih zakonov fizike, znajo razmišljati o duševnih stanjih drugih ljudi, ne da bi vedeli veliko o dognanjih psihologije. To sposobnost bi lahko imenovali naivna psihologija. Raziskave kažejo, da se je pri ljudeh ta sposobnost razvila podobno kot številne druge lastnosti živih bitij, s tekmovanjem med posamezniki. Človek, ki je imel večjo sposobnost prepoznavanja duševnih stanj drugih, jih je lahko lažje zavedel v delovanje v lastno korist. V primerjavi s fizičnim okoljem je to socialno okolje pri ljudeh zelo zapleteno, in iz tega bi lahko sklepali, da bo problem naivne psihologije veliko težji od problema naivne fizike, oziroma da lahko zadnjega pojmujemo kot majhen gradnik prvega.

4.1. Osnovni modeli

Zamisel seveda ni tako nova, da ne bi obstajali praktični poskusi reševanja. Med bolj uspešnimi naj bi bili postopki, ki modelirajo naivno psihologijo kot logična sklepanja enega osebka o drugem, kjer so stanja osebkov opisana z množico prepričanj, želja in namenov. Pri tem posamezniki nimajo neposrednega dostopa do stanj drugih, in lahko delajo napačne sklepe z nepopolno informacijo, ki jo imajo na voljo. Med pogostejšimi kritiki tega postopka so tisti, ki so mnjenja, da sama predstavitev duševnih stanj in njihova uporaba ne bi smeli biti ločeni. Vendar se je izkazalo, da so metode z nepredstavitvenimi opisi manj primerne v pogojih, kjer stanja niso neposredno razkrita. Druga kritika je prepričljivejša brez posebnega poglabljanja: zakaj naj bi bilo duševno stanje dobro opisano prav s prepričanji, željami in nameni? Človeško duševno stanje je precej zapleteno, kar daje slutiti, da bo njegov opis sestavljen iz precej več delov.

Trije osnovni modeli za pripisovanje duševnih stanj drugim sistemom so model človečenja, simulacija in teorijski model.

Model človečenja predpostavlja, da sistemu preprosto pripišemo človeške lastnosti ne glede na njegove značilnosti. Vendar pa ni preprosto odgovoriti na vprašanje, pod katerimi pogoji ljudje to počno. V primeru živali je znano, da jim ljudje raje pripišejo človeške lastnosti, če so jim te bolj podobne, ali pa če so nanje bolj navezani. Ena od razlag predpostavlja, da ljudje uporabljajo človečenje kot privzet pogled na novo stvar, in da nato tega prilagodijo, če se njihove nadaljne izkušnje z njim ne skladajo. Vendar pa se to ne sklada v primeru z živalmi, saj je pri njih ravno obratno: čim bolje jih ljudje poznajo, bolj jih obravnavajo kot soljudi. Zaradi tega nekateri raziskovalci model človečenja obravnavajo samo kot odločitev, ali bomo do določene stvari zavzeli stališče, da ima sebi lasten namen, ali pa je le predmet. Če se odločimo za prvo, bomo uporabili naivno psihologijo, drugače pa morda le naivno fiziko.

Simulacija je način uganjevanja duševnih stanj drugih, v katerem se opazovalec postavi v vlogo opazovanca in ga poskuša razumeti preko njegovega pogleda na svet. Izkušnje iz psihologije kažejo, da simulacija dobro razlaga predvsem čustvena stanja, medtem ko je za razumski del duševnosti slabši model.

Vendar pa simulacija tudi pri nerazumskem delu ne pojasni vsega. Poskusi z otroci so pokazali, da ti na določena vprašanja odgovorijo drugače, kot bi, če bi za orodje pri tvorbi odgovora uporabljali samo simulacijo. Kar naj bi še uporabljali, se v psihologiji imenuje teorija teorije, sklop pravil za delovanje s skritimi duševnostmi ljudi, in iz nje izhaja teorijski model. V umetni inteligenci bi to predstavili kot zakone in hevristike pri sklepanju o duševnih stanjih drugih ljudi.

Ti trije modeli predstavljajo različne dele naivne psihologije, in se dajo združiti v sestavljen model. Da bi določen sistem prepoznali kot inteligenten, bi moral človek do njega zavzeti stališče, da ima namen, in kasnejša opazovanja bi se morala skladati z njegovo simulacijo sistema in pravili iz teorijskega modela. Iz tega sledi, da bi ljudje zelo težko pripisali inteligenco sistemu, ki ne bi bil zelo podoben človeku, tako po fizičnem izgledu kot po obnašanju.

4.2. Kaj je inteligentno?

Watt je menja, da se umetna inteligenca ne bi ukvarjala le s tem, kako simulirati obnašanje, za katerega se večina ljudi strinja, da je res pametno, pač pa tudi s tem, kako ljudje prepoznajo obnašanja kot pametna. To je tako neločljivi del človeškega razmišljanja kot tudi orodje, s katerim lahko predstavimo stroje kot inteligentne.

Po njegovem se v raziskavah na tem področju pogosto predpostavlja, da je tisto, kar bi lahko imenovali inteligenca pri strojih, popolnoma drugačno od tistega, kar je inteligenca pri ljudeh. Tako pojmovanje imenuje tuja inteligenca. Toda če pri ljudeh inteligenca predstavlja skupek pojavov pri družbenem udejstvovanju, ali bi tujo inteligenco, ki bi delovala na drugačen način, sploh prepoznali kot inteligentno? In če bi jo, ali je ne bi ocenjevali enako kot človeško, česar smo edino vajeni? Mnogi primeri kažejo, da inteligenco pogosto ocenjujemo na podlagi tega, kako razumemo njihovo delovanje. Če je nekdo ali nekaj predvidljivo, se nam ne zdi inteligentno. Enako velja za stvar, ki se po našem občutku vede povsem naključno.

Čeprav je pri raziskovanju zdravorazumskega mišljenja naivna psihologija edino področje, ki je očitno povsem lastno človeku, pa je skrita subjektivnost prisotna tudi v drugih, saj se že pojem zdravega razuma nanaša na človeka. Povsem mogoče je, da se kakovost umetne inteligence ne ocenjuje po objektivnih merilih učinkovitosti ali uspešnosti, pač pa po subjektivnem merilu združljivosti z našo naivno psihologijo. Watt je mnenja, da bi se z mnogimi trenutnimi težkimi problemi lažje spopadli, če se bi bolje zavedali tega dejstva, in ne bi privzeli predpostavk, za katere nam intuicija pravi, da držijo, kot objektivna dejstva. Seveda kot ljudje ne moremo nikoli biti povsem objektivni, toda vseeno imamo sposobnost, da se temu približamo s posrednimi metodami opazovanja.

Watt zaključi, da so bojazni o osnovnih pomanjkljivostih v tej disciplini ali celo v celotni znanosti pretiran odziv na trenutno počasnejše napredovanje od pričakovanega. Čeprav je problem preučevanja samega sebe težak, je za znanost vsaj v načelu rešljiv. Njegov predlog za rešitev je nadaljnje raziskovanje naivne psihologije, a ne poglobljeno na ozkem področju, pač pa za začetek bolj površno in na široko.

5. Peschlov razmislek o predstavitvah znanja

Peschl se spusti v bolj filozofsko razpravo o pomenu predstavitve znanja za nalogo umetne inteligence. Pravilna predstavitev znanja je temelj kognitivnega modeliranja in vmesnikov med človekom in računalnikom. V članku so tako ljudje kot računalniki pojmovani kot predstavitveni sistemi, ki med seboj občujejo s pozunanjenjem teh predstavitev - s predstavitvami, izraženimi zunaj teh sistemov. Ker računalniki in ljudje uporabljajo različne nivoje in oblike predstavitev, lahko pride do njihovega neskladja, kar se izrazi kot neučinkovito sporazumevanje med sodelujočimi sistemi.

5.1. Subjektivnost predstavitev

Problemsko področje vsebuje okolje, ki je osnova za vse sodelujoče sisteme, računalnik kot napravo, ki preslikuje vhodne podatke v izhodne, in človeka kot kognitivni sistem, ki bi rad rešil določen problem iz okolja bolj učinkovito z uporabo računalnika. Poleg teh sta tukaj še dva sitema: vhodno izhodne enote, ki so vmesnik med okoljem in računalnikom, ter čutni in motorični sistem človeka, ki je vmesnik med njegovim kognitivnim sistemom in okoljem.

Človeški kognitivni, čutni in motorični sistem se je razvil tako kot vse ostale značilnosti živih bitij v postopku prilagajanja okolju. Zanj lahko rečemo, da predstavlja neko znanje oziroma teorijo, ki omogoča, da v okolju preživi. Zato ne potrebuje nujno predstavitve okolja, v kateri bi posamezni deli sistema predstavljali njegove dele, pač pa mora samo natančno opisati strategijo, kako v tem preživeti. Predstavitev okolja se zgradi kot posledica notranjih procesov, ki delujejo v prid tej strategiji. To pa pomeni, da je predstavitev odvisna od sistema, ki jo je zgradil. Pravi pomen ima samo za posamezni organizem z določeno zgradbo in razvojem.

Vsaka taka predstavitev je razumevanje oziroma pogled na okolje določenega organizma. Iz tega sledi, da ne obstaja en sam, pravilni, objektivni pogled. Rešitev je pravilna v toliko, kolikor pripomore k preživetju točno določenega organizma. Nič ne zagotavlja, da se te predstavitve ne bi razlikovale že med osebki ene same vrste. Razmišljanje lahko posplošimo tudi na pojme, za katere se šteje, da so res objektivni, na primer znanost. Njena pravilnost je uporabnost in sprejemljivost, zaradi katerih se je ohranila v človeškem družbenem okolju, vseeno pa je le en možen pogled na svet.

5.2. Uporabnost pozunanjenih predstavitev

Ko se človek ukvarja z svojim problemom iz okolja, lahko do njega dostopa samo preko svojega vmesnika. To pomeni, da njegovo razmišljanje ne temelji na pravem svetu, pač pa na njegovi predstavi o svetu, ki je rezultat pretvorb čutnih in miselnih procesov. Nadalje pa te predstave ne more sporočiti neposredno drugim sistemom iz okolja, ampak mora za to uporabiti nek jezik iz simbolov, slik, ki njegovo predstavo opisujejo. Rezultat je tako predstavitev drugega reda, predstavitev predstavitve sveta. Ta služi kot osnova večini kognitivnih modelov. Predpostavka pri tem je, da te predstavitve dovolj dobro opisujejo vidik okolja, ki je za nas pomemben. Vendar pa vidimo, da so te pozunanjene predstavitve le majhen del notranje predstavitve določenega organizma, če sploh. So namreč le rezultat dolge verige miselnih procesov in pretvorb.

Osnovna napaka pri izdelavi kognitivnih modelov po Peschlu je, da se te začne graditi na podlagi človeškega opazovanja lastnega kognitivnega sistema. Opazovalec skuša najti zakonitosti v pozunanjenem obnašanju tega sistema in preko izkušenj, temelječih na lastnih predstavitvah, preslika ta obnašanja v opazovani sistem. Pri tem posredno predpostavi, da ta sestavljajo notranji predstavitveni sistem, ne da bi si zares ogledal njegovo resnično zgradbo. Ko so te predstavitve nato uporabljene v umetnih, računalniških sistemih, se od njih pričakuje, da bodo imeli podobne kognitivne sposobnosti kot ljudje. Z drugimi besedami, nekaj, kar je v resnici rezultat kognitivnih procesov, naj bi ustvarjal prav te pojave. Te predstavitve so za kaj takega po Peschlu preveč površne in samonavezujoče.

5.3. Zaključek

Dosedanji modeli temeljijo predvsem na konceptih iz računalništva in na zdravorazumskih predpostavkah o predstavitvi znanja, a Peschl meni, da je prava pot obratna. Za razvoj bolj sposobnih kognitivnih modelov in uporabniških vmesnikov je potrebno najprej razumeti delovanje edinega delujočega kognitivnega modela, možgan, njegove notranje zgradbe, procesov in uporabljenih predstavitvenih kategorij, in šele na to izbrati tehnične rešitve, ki so ustrezne za njihovo modeliranje.

Na takem modelu pridobivanja znanja, ki bi bil v skladu s pridobljenim vedenjem o delovanju možgan, bi lahko zgradili vmesnike med človekom in strojem, v katerih bi lahko napovedali medsebojne vplive in jih nadzirali. Tak zaprtozančni sistem bi bil veliko bolj učinkovit, saj bi lahko računalniški sistem dopolnili tako, da bi z večjo verjetnostjo prožil željene odzive uporabnika. Po Peshlu je spreminjanje računalnika zaradi boljšega poznavanja delovanja preprosto, in bi bila naloga prenesti celoto ali vsaj večino prilagajanja na stran stroja, s katerim bi se človek lahko nato sporazumeval brez večjih naporov.

6. Bojadžievo razumevanje Gödelovih izrekov

Bojadžiev uvodni del svojega članka posveti premisleku o pomenu naslova knjige, Um proti računalniku. Očitno je, da računalniki po splošnih umskih sposobnostih daleč za ljudmi, saj za enkrat ni nihče uspel izdelati niti prepričljive umetne živalske inteligence, kaj šele človeške. Velja tudi, da o računalnikih poznamo veliko več tehničnih podrobnosti kot pa o človeškem umu, tako da ta težko sploh primerjamo. Po drugi strani pa je res, da ne vemo natančno, česa računalniki niso zmožni, razen nekaterih splošnih omejitev o tem, kaj idealni računalnik lahko pove o samemu sebi, ki jih je predstavil Turing. Ti in sorodni rezultati Churcha in Gödela so pogosto uporabljani za argumente o obstoju formalnih modelov uma. Zanimivo pri tem pa je, da jih uporabljajo tako nasprotniki kot zagovorniki. Pri tem daje Bojadžiev prednost zagovornikom, ki govorijo o umu bolj določljivo, kot o nečem z lastnimi omejitvami, pred nasprotniki, ki po njegovem menju ne povedo dosti o tem, zakaj ima um računsko nedosegljive sposobnosti.

6.1. Pravilnost in dokazljivost

Že Gödel sam je svoja matematična odkritja uporabljal za podobne filozofske argumente. Najprej je bil mnenja, da njegovi izsledki dokazujejo, da je um nad strojem, kasneje pa je prišel do bolj pogojnega stališča, da ima stroj lahko enake sposobnosti kot um, vendar se tega ne da dokazati. To je precej neposredni povzetek njegovih dveh izrekov. Ta pravita, da če je formalni sistem v določenem smislu pravilen, obstaja v njem trditev, ki se je ne da dokazati. Hkrati se v znotraj sistema ne da dokazati njegove pravilnosti.

Gödelovi izreki so v resnici zakonitosti o samonanašanju, ki jih narekuje pravilnost sistema. V pravilnem sistemu mora namreč vedno obstajati neka nedokazljiva trditev. Najbolj preprosta med njimi je kar naslednja: "Te trditve se ne da dokazati." Če bi to trditev res dokazali, ne bi bila resnična, in sistem ne bi bil več pravilen. Ta trditev se imenuje Gödelov stavek tega sistema. Obstajajo tudi podobne, ki so jih odkrili drugi raziskovalci, in pri različnih definicijah pravilnosti ni moč dokazati, da držijo, in včasih tudi ne, da ne držijo. Pravilni formalni sistemi torej niso zmožni dokazati veliko stvari o sebi. Po drugi strani pa lahko dokažejo vse, kar je v nekem smislu združljivo z njihovo pravilnostjo. Dokažejo lahko na primer, da ne morejo dokazati svojega Gödelovega stavka in biti hkrati pravilni.

6.2. Nepopolnost formalnih in dvoumnost naravnih jezikov

Dejstvo, da se določene trditve ne da dokazati ali ovreči, pomeni, da je ta trditev logično neodvisna od aksiomov sistema. Ti ne povedo dovolj, da bi se dalo sklepati o pravilnosti ali napačnosti trditve. Če bi dodali kakšen nov aksiom, bi ta lahko pomagal trditev dokazati. Vendar pa to pri Gödelovemu stavku ne pomaga. Četudi bi v dopolnjenem sistemu lahko dokazali Gödelov stavek starega sistema, bi v njem spet obstajal Gödelov stavek, ki bi zase trdil, da se ne da dokazati v tem novem sistemu. Ta lastnost formalnih sistemov se imenuje nepopolnost.

Gödelovi izreki tako kažejo na temeljno omejitev formalizacije, ki je ni moč odpraviti, ne da bi zraven žrtvovali pravilnosti sistema. Ta omejitev je torej tako splošna, da Bojadžiev pravi, da sploh ni nikakršna omejitev. Kakšno korist pa bi imeli od sistema, ki bi lahko dokazal stavek, ki trdi, da je nedokazljiv? To ni pomankljivost same formalizacije, pač pa pokazatelj, da je tisto, k čemur naj bi pri njej stremeli, to je dokazati vse resnične trditve in nobene druge, že samo po sebi protislovno.

Ker je Gödelov stavek sistema od njega logično neodvisen, lahko temu sistemu dodamo nov aksiom, ki pravi, da je ta stavek resničen, ali pa takega, ki pravi, da ni. V vsakem primeru bo novi sistem ohranil pravilnost. Gödelovi izreki tako pravijo, da za poljubno zapleten formalni model vedno obstajajo njegove razlage oziroma dopolnitve, ki si med seboj nasprotujejo. Bojadžiev pri tem navaja Henkina, ki pravi:

"Gödelovo ugotovitev o nepopolnosti si razlagamo ne toliko kot omejitev na to, kaj lahko dokažemo, temveč bolj kot omejitev sposobnosti natančnega izražanja, ..., v simbolnem sistemu z rekurzivnimi pravili."

Ta lastnost formalnih jezikov Bojadžieva spominja na naravne jezike. Za te je znano, da so zelo pogosto dvoumni, in da je to dvoumnost zelo težko odpraviti. Gödelovi izreki torej v tem pogledu kažejo na to, da so formalni jeziki v resnici še vedno precej podobni naravnim.

6.3. Formalni modeli uma

Avtorji, ki zavračajo možnost obstoja formalnih modelov uma, uporabljajo Gödelov izrek za izpostavo sposobnosti uma, ki je stroj ne more imeti. Lucas, na primer, to poskuša na sledeč način:

"Kakorkoli zapleten stroj naredimo, lahko za formalni sistem, ki ga opisuje, po Gödelovem postopku vedno najdemo trditev, ki je v tem sistemu nedokazljiva. Stroj ne bo mogel ugotoviti, da je ta trditev resnična, medtem ko um vidi, da je to res. Torej stroj ne bo zadostni model uma."

Bojadžiev se ne strinja najbolj s takim razmislekom. Če "videnje resničnosti" pomeni isto kot "ugotavljanje resničnosti", torej dokazovanje, še vedno velja, da tega tudi um ne zmore, če zanj veljajo pogoji pravilnosti. Če pa je "videnje resničnosti" poseben koncept resnice, ločen od dokazovanja, ga lahko brez težav vgradimo tudi v stroj. Seveda s tem ne spremenimo ničesar bistvenega, saj tudi koncept resnice ni imun na protislovja pri samonanašanju. Najpreprostejši primer je "Ta trditev je neresnična.".

Bolj poglobljena različica argumenta, ki uporablja izrek o nepopolnosti formalnih sistemov, upošteva dejstvo, da je postopek za izdelavo Gödelovega stavka povsem natančno opisan. Torej lahko stroju dodamo nov način sklepanja, pri katerem izračuna Gödelov stavek in ga kot aksiom doda trenutnemu sistemu. To lahko ponavlja, dokler ne uspe rešiti zadane naloge. Sistem seveda po izreku nikoli ne bo popoln, saj bo vsak dodan aksiom ustvaril nov Gödelov stavek. Mnenja, ali se tak sistem lahko enakovredno kosa z človeškim umom, pa so deljena. Nekaterim se zdi, da lahko človek, ki razume delovanje stroja, temu vedno zada nalogo, ki je ne bo sposoben rešiti, medtem ko drugi pravijo, da se tak sistem lahko poljubno približa človeški iznajdljivosti. Bojadžievu se to vprašanje ne zdi bistveno, zanj je bolj pomembno to, da sistem sploh ima mehanizem, ki mu omogoča vpogled v sebe in sposobnost nadgrajevanja.

6.4. Samonanašanje pri računalniku in človeku

Kaj ugotovitve iz raziskav formalnih modelov pomenijo v računalništvu in kognitivnih znanostih? Za oblikovanje odgovora na to vprašanje Bojadžiev razčleni Gödelov stavek. Tega tvorijo tri sestavine, koncept dokazljivosti, samonanašanje in zanikanje. Samonanašanje se v računalništvu običajno uporablja brez zanikanja. Primer tega bi bili rekurzivno definirani algoritmi, ki so navadno po zgradbi veliko preprostejši od enakovrednih nerekurzivnih. Koncept dokazljivosti pa je mogoče predstaviti neposredno v logičnih programskih jezikih, kot je Prolog. Primer koristne uporabe je izdelava programa, ki nadgradi osnovno dokazovanje, recimo tako, da v njem ugotavlja pojavitev neskončnih zank. Taka nadgraditev osnovnega sistema je v določenem smislu podobna dodajanju Gödelovega stavka.

Po Bojadžievem mnenju osnovni nauk, ki ga posredujejo Gödelovi izreki, nič manj ne velja za človeški um kot za formalne sisteme. Tukaj bi opisoval omejitve umskih sposobnosti, na primer iz filozofije znano zapoved, da se človek nikoli ne more popolnoma poznati. Kot protiutež neizčrpni človeški iznajdljivosti proti stroju, o kateri pogosto govorijo nasprotniki formalizacije, Bojadžiev omeni še raziskave o vsakdanjem človeškem sporazumevanju, katerega ranljivost za protislovja je pogosto zelo podobna tistim v preprostih formalnim sistemih.

Bojadžiev zaključek tako je, da ima formalno samonanašanje v Gödelovih izrekih veliko skupnega s samonanašanjem v človeškem umu in računalnikih. Ti izreki nam ne pravijo, da ne moremo izdelati formalnih modelov uma, ker niso popolni. Ta lastnost sploh ni zaželena, ker je v nasprotju s pravilnostjo, in ker obstajajo argumenti, da to velja tudi za um. Tudi ta ima posebno razmerje s samim seboj, skupaj z omejitvami, ki jih to razmerje povzroča.

7. Radovanov poenoten pogled in subjektivnost

Radovan je mnenja, da za dober opis poljubnega pojava potrebujemo natančen konceptualni sistem, in s tem tudi začenja svoj članek.

7.1. Konceptualni sistem

Konceptulani sistem lahko sestavimo za neko stopnjo abstrakcije. Za primer si vzemimo naslednjih pet takih nivojev pri računalniškem sistemu, in za vsakega poskusimo najti enakovrednico v človeškem kognitivnem sistemu.

Fizični nivo
Na tem nivoju je računalniški sistem opisan kot množica gradnikov, ki delujejo po zakonih fizike. Tu še ne govorimo o simbolih ali operacijah, ampak mogoče le fizikalnih signalih. Pri človeku bi bil ta nivo nevroanatomija, veda, ki razlaga snovno zgradbo možgan.

Logični nivo
Računalnik je tu opisan kot abstraktni avtomat, ki preslikuje množice dvojiških vrednosti, katerim še ni pripisan kakšnen pomen. Pri možganih so to mreže, sestavljene iz nevronov - te preučuje nevropsihologija.

Predstavitveni nivo
To je nivo simboličnega zbirnega jezika računalniškega sistema. Tu se zaporedja dvojiških vrednosti pojmujejo kot ukazi in operandi. O tem, kaj bi bil predstavitveni nivo za človeški kognitivni sistem, ni pravega soglasja. Če privzamemo, da tak nivo sploh obstaja, bi bil najboljši kandidat za to morda "jezik misli", kot ga je predstavil Fodor.

Sporazumevalni (komunikacijski) nivo
Ta nivo zajema programiranje in poizvedovalne jezike, s katerimi uporabnik izmenjuje podatke z računalnikom. Pri ljudeh je to sporazumevanje z naravnimi jeziki in sklepanje.

Nivo vlog (situacijski nivo)
Na tem nivoju se dejavnost računalniškega sistema prepozna kot izvajanje določene naloge oziroma reševanje problema. Pri človeškem kognitivnem sistemu lahko to določimo podobno. Delovanje z določenim namenom in razumevanje spada na ta nivo.

7.2. Položaj močne in šibke umetne inteligence v sistemu

Nivoji konceptualnega sistema so določeni glede na svojo funkcijo, in kot taki so načeloma neodvisni od stvarne izdelave. To pomeni, da če bi podani model zadostoval za opis človeškega kognitivnega sistema, in bi se vsak nivo dal ustvariti z umetnimi sredstvi, na primer računalniškim sistemom, bi rešili problem umetne inteligence. Vendar pa se vsi ne strinjajo s tem, da je tak model primeren za opis človeških možgan ali računalnika. Glavi vir nesoglasja med zagovorniki močne in šibke umetne inteligence je predstavitveni nivo. Prvi se osredotočajo na ta nivo in na sporazumevalnega, medtem ko so predstavniki šibke umetne inteligence mnenja, da predstavitveni nivo pri človeku sploh ne obstaja. Ti svoje raziskave zato usmerjajo nižje, na logični in fizični nivo.

Za ponazoritev svojega mnenja Radovan navaja Churchlanda, ki pravi, v skrajšani obliki:
"Pri človeku je osnovna enota sklepanja prožitveni vektor, osnovna enota računanja preslikava vektorjev, in osnova enota spomina porazdelitev sinaptičnih uteži, pri čemer nobena od teh stvari nima kaj bistvenega opraviti s stavki in razmerji med njimi."

Radovan pravi, da ga ta opis zelo spominja na logični nivo računalnika, kjer je vse dogajanje opisano s preslikavami dvojiških vektorjev. Opisovanje večjih, bolj sestavljenih programov na ta način sicer ni nemogoče, je pa težko - v ta namen so razvili višje programske jezike. Vendar pa ti jeziki opisujejo natanko iste pojave, se pravi procese in podatke, kot bi jih, če bi za opis uporabili preslikovanje dvojiških vektorjev. Enako velja za človeški kognitivni sistem: predstavitveni opisi, na primer stavki, ne izključujejo možnosti, da so na nižjem nivoju te iste oblike opisane z nevronskimi preslikavami vektorjev. Torej ni smiselno trditi, da je določen nivo opisov bolj pomemben od drugih, ali da pojavi na enem nimajo veliko opraviti s pojavi na drugem nivoju. Če se strinjamo, da je iste procese možno opisati na različnih nivojih, in da vsi nivoji lahko prispevajo k boljšem razumevanju problema, potem delitev na močno in šibko umetno inteligenco niti ni več smiselna.

Radovan išče razloge za to delitev tudi v zgodovini raziskovanja. Medtem ko so se računalniki razvili iz spodnjih nivojev k višjim, gre pot pri razumevanju delovanja človeškega uma v nasprotni smeri. Da imamo možnosti razumevanja in uporabe jezika smo se zavedali veliko pred tem, ko ugotavljamo, koliko "biološke strojne opreme" služi kot podpora za te sposobnosti. To pa ne bi smel biti razlog, da začnemo zanemarjati "stare" opise na višjih nivojih.

7.3. Znanost in subjektivnost

Radovan nadaljuje svoj članek z razmislekom o subjektivnosti na tem področju. Pojmi, kot so zavest, pamet in samobit v znanosti navadno niso natančno definirani. Znanost namreč predpostavlja, da je stvarnost objektivna v tem smislu, da niti njen obstoj niti zgradba nista odvisna od določenega opazovalca. Mnenja so, da zavestna duševna stanja ne morejo biti opisana neodvisno od opazovalca, ker vsako tako stanje samo zase predstavlja neki subjekt. Churchland se strinja, da so meje znanosti najbrž pri opisu zavesti. Radovan pri tem poudarja, da to ne pomeni, da so zato zavestna stanja nujno nestvarna, temveč le, da znanost ne more podati opisa, ki bi izražal, kakšna so z vidika tistega, ki jih ima.

Iskanje računskega modela za človeško pamet je podobno prizadevanjem Humeja, ko je poskušal najti samega sebe v tem, da gre pri obeh za grajenje mostu med objektivnostjo in subjektivnostjo. Vsako opazovanje ali razmišljanje pa razdeli svet na dva ločena dela, na opazovanca oziroma misel, ter na opazovalca oziroma misleca. Ta je vedno prisoten v drugem delu kot tisto, kar preučuje, in tako ne more videti samega sebe. Če te meje ne bi bilo, tudi ne bilo česa videti oziroma o čem misliti.

V podporo stvarnemu pogledu na svet Copeland pravi: "Druga možnost, da obstaja duševna razsežnost, ki štrli iz drugače stvarnega vesolja, se nam zdi neokusna. Namiguje namreč, da narava ni zaokrožena ter povezana celota." Radovan se s takim pogledom ne strinja. Po njem obstajajo vsaj trije medsebojno neodvisni prostori: stvaren svet, subjektivna stanja in svet ustvarjalne domišljije. Meni, da stvarna znanost ne more povedati nič primernega o subjektivnih duševnih stanjih. Stvari se namreč ne da poenostaviti preko poljubnih meja, in naš jezik ter tudi naše mišljenje imata svoje notranje omejitve.
Radovan torej zaključi s tem, da sta močni in šibki pristop k umetni inteligenci dva različna načina opisa enega samega sistema, in zaradi tega imata enako izrazno moč ter sta podvržena enakim temeljnim omejitvam. Največji problem na tem področju je zanj neprimernost zdajšnjih znanstenih pristopov k opisu pojava subjektivnosti.

8. Viri

[1] Gams M., Paprzycki M., Wu X. (eds.): Mind versus Computer, IOS PRESS, 1997
[2] Smullyan R., prevod Meta Lah et al.: Satan, Cantor in neskončnost, Logika d.o.o, 1995

Univerza v Ljubljani
Fakulteta za Računalništvo in informatiko

seminarska naloga pri predmetu
tehnologija znanja
mentor: prof. dr. Igor Kononenko

Ljubljana, 20.8.2005
Sunil Sah

0 komentarjev.

Za vrnitev v običajni format kliknite tukaj:
www.pozitivke.net
http://www.pozitivke.net/article.php/20050927211220549