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
|