منبع: Adobe stock Topaz Labs

در چند سال گذشته، پیشرفت های سریعی در هوش مصنوعی (AI)، به ویژه در توانایی هوش مصنوعی برای درگیر شدن در متن به سبک مکالمه (به نام پردازش زبان طبیعی؛ NLP) مانند ChatGPT هوش مصنوعی باز، Gemini گوگل و آنتروپیک رخ داده است. مدل های کلود این افزایش ناگهانی توانایی به دلیل پیشرفت‌های اخیر در معماری ترانسفورماتور است که با انتشار مقاله اصلی گوگل به نام «توجه تمام چیزی است که نیاز دارید» در سال 2017 آغاز شد (1).

معماری ترانسفورماتور نوعی شبکه عصبی یادگیری عمیق است که نوآوری کلیدی آن «مکانیسم توجه» است که به آن اجازه می‌دهد تا اهمیت بخش‌های مختلف داده‌های ورودی (برخی مکالمه‌های متنی) را به صورت پویا ارزیابی کند. این مدل با تبدیل داده های ورودی (مانند متن) به جاسازی ها، که نمایش های عددی کلمات یا نشانه ها هستند، شروع می شود. این تعبیه‌ها اطلاعات معنایی و زمینه را در مورد کلمات به دست می‌آورند. از آنجایی که ترانسفورماتورها مفهومی داخلی از ترتیب کلمات ندارند، رمزگذاری های موقعیتی به جاسازی ها اضافه می شوند تا اطلاعاتی در مورد موقعیت هر کلمه در یک جمله ارائه دهند. این به مدل کمک می کند تا توالی داده های ورودی را درک کند.

هسته اصلی مدل ترانسفورماتور مکانیسم توجه است، به ویژه “توجه به خود”. توجه به خود به مدل این امکان را می دهد که هنگام تولید یک خروجی، روی قسمت های مختلف دنباله ورودی تمرکز کند. این یک مجموع وزنی از مقادیر ورودی را محاسبه می کند، که در آن وزن ها بر اساس میزان مرتبط بودن کلمات مختلف با یکدیگر تعیین می شوند. به طور عملی، برای هر کلمه در یک جمله، توجه به خود امتیاز توجه را با هر کلمه دیگر محاسبه می کند. سپس از این امتیازها برای ایجاد ترکیب وزنی از همه کلمات استفاده می شود تا برای هر کلمه ای که زمینه آن را در نظر می گیرد، نمایشی تولید شود. این ترانسفورماتور از مکانیسم‌های متعددی استفاده می‌کند که «توجه چند سر» نامیده می‌شوند. این به مدل اجازه می‌دهد تا انواع مختلفی از روابط و وابستگی‌های بین کلمات را از دیدگاه‌های مختلف یا “سرها” ثبت کند. پس از لایه توجه، هر نمایش کلمه از طریق یک شبکه عصبی پیش‌خور منتقل می‌شود که اطلاعات را بیشتر پردازش می‌کند و الگوهای پیچیده را ثبت می‌کند. این مدل همچنین از نرمال سازی لایه و اتصالات باقیمانده برای تثبیت و سرعت بخشیدن به تمرین استفاده می کند. اتصالات باقیمانده با عمیق‌تر شدن شبکه به جلوگیری از کاهش عملکرد کمک می‌کنند. چندین لایه از شبکه های توجه و فید فوروارد روی هم چیده شده اند. هر لایه به مدل اجازه می دهد تا بازنمایی ها و الگوهای پیچیده تر را بیاموزد. برای کارهایی مانند ترجمه زبان یا تولید متن، بخشی از رمزگشای معماری ترانسفورماتور، دنباله خروجی را، یک کلمه در یک زمان، با استفاده از نمایش های ورودی کدگذاری شده و کلمات تولید شده قبلی تولید می کند.

Transformers در انواع وظایف NLP مانند ترجمه زبان، خلاصه سازی متن، پاسخ به سؤال و تجزیه و تحلیل احساسات بسیار موفق بوده اند. معماری ترانسفورماتور به دلیل کارایی و توانایی آن در درک الگوهای پیچیده در داده ها، جهشی قابل توجه در هوش مصنوعی، به ویژه در زمینه NLP نشان می دهد. نوآوری‌های آن‌ها شامل مزایایی در (1) موازی‌سازی است، که در آن، بر خلاف مدل‌های قبلی مانند RNN‌ها، که توالی‌ها را یک مرحله در یک زمان پردازش می‌کنند، ترانسفورماتورها می‌توانند تمام توالی‌ها را به صورت موازی پردازش کنند و آموزش آن‌ها را بسیار سریع‌تر می‌کند. (2) مقیاس پذیری، به موجب آن ترانسفورماتورها بسیار مقیاس پذیر هستند و می توانند مجموعه داده های بسیار بزرگی را مدیریت کنند و آنها را برای آموزش با مقادیر زیاد داده مناسب می کند. (3) انعطاف پذیری، به موجب آن مکانیسم توجه به ترانسفورماتورها اجازه می دهد تا وابستگی های دوربرد و روابط پیچیده در داده ها را مدل کنند.

با توجه به این نوآوری ها، چندین فیلسوف و محقق پرسیده اند که آیا هوش مصنوعی می تواند به هوشی در سطح انسانی به نام هوش مصنوعی عمومی (AGI) دست یابد و حتی هوشیار شود. آلن تورینگ در سال 1950 یکی از اولین تست‌های هوش مصنوعی به نام بازی تقلید را ابداع کرد.، بیشتر به عنوان آزمون تورینگ شناخته می شود (2). این تست برای ارزیابی توانایی ماشین برای نشان دادن رفتار هوشمندانه غیرقابل تشخیص از رفتار انسان طراحی شده است. اگر قاضی انسانی نتواند به طور قابل اعتمادی بین انسان و ماشین تنها بر اساس پاسخ های مکالمه آنها تمایز قائل شود، ماشینی تست تورینگ را گذرانده است. به عبارت دیگر، اگر پاسخ‌های دستگاه تا حدی از پاسخ‌های یک انسان غیرقابل تشخیص باشد که قاضی نتواند آنها را تشخیص دهد، در نظر گرفته می‌شود که دستگاه نوعی هوش مصنوعی در سطح انسان را نشان داده است. مشکل این تست این است که تست هوش است نه تست هوشیاری.

فیلسوف و دانشمند شناختی دیوید چالمرز (3) به مسئله آسان آگاهی به عنوان همبستگی های عصبی آگاهی و مشکل سخت آگاهی به عنوان یافتن توضیحی در مورد چگونگی ایجاد آگاهی نورون های فیزیکی مانند طعم شکلات یا احساس اشاره کرد. از عشق دلسوزانه در بیش از 100 سال تحقیق، محققان به توضیح اینکه چگونه مغز یک تجربه آگاهانه واحد تولید می کند (کیفیت) نزدیک نیست. تلاش‌های اخیر برای توضیح آگاهی مانند کاهش هماهنگ (Orch OR) (4)، نظریه اطلاعات یکپارچه (IIT) (5) و نظریه فضای کاری جهانی (GTW) (6) همگی از توضیح چگونگی پدید آمدن یک تجربه آگاهانه واحد (کیفیت) غفلت می‌کنند. .

کار اخیر من (7) نشان می‌دهد که راه‌حل اصلی این مشکل در چارچوب هستی‌شناختی این مدل‌ها نهفته است. همه اینها مدلهای فیزیکی (ماتریالیستی) مبتنی بر چارچوب فضا-زمان توصیف شده در منیفولد ریمانی اینشتینی هستند. با این حال، چندین یافته تجربی موفقیت آمیز در فیزیک نشان می دهد که واقع گرایی غیر محلی (یک رئالیسم انیشتینی فیزیکی مبتنی بر منیفولد ریمانی) در سطح بنیادی نادرست است. این کار انباشته منجر به اهدای جایزه نوبل به آلن اسپکت، جان اف.کلوزر و آنتون زایلینگر برای یافته های تجربی آنها در مورد نابرابری های بل شد که برای اولین بار توسط جان بل مطرح شد (8). این یافته‌ها به‌طور مداوم نقض نابرابری‌های بل را نشان می‌دهند، که نشان می‌دهد هیچ نظریه متغیر پنهان محلی نمی‌تواند همبستگی‌های کوانتومی مشاهده‌شده در آزمایش‌ها را توضیح دهد. نقض نابرابری های بل نشان می دهد که:

1. اطلاعات به نحوی سریعتر از نور حرکت می کنند، به این معنی که رویدادهای دور می توانند فوراً بر یکدیگر تأثیر بگذارند (غیر محلی).
2. یا اینکه باید فرضیات مربوط به رئالیسم محلی را کنار بگذاریم، یعنی این ایده که اجسام دارای ویژگی‌های مشخصی مستقل از اندازه‌گیری هستند باید نادرست باشد و مکانیک کوانتومی واقعیتی را نشان می‌دهد که اساساً بیشتر احتمالاتی و وابسته به زمینه است.

پذیرش (1) غیرمحلی به این معنی است که ارتباط می تواند سریعتر از سرعت نور (که در نسبیت عام ثابت فرض می شود) وجود داشته باشد، بنابراین واقع گرایی محلی انیشتین نادرست است. این با نسبیت عام انیشتین در تضاد است و بنابراین منطقاً نمی توان آن را بدون رد نسبیت عام به عنوان یک نظریه کامل و بنیادی در مورد جهان پذیرفت. پذیرش (2) به این معنی است که تا زمانی که ذرات اندازه گیری نشوند، خواص مشخصی (مانند موقعیت یا تکانه) ندارند. این در تضاد با باور انیشتین است که اشیایی مانند ماه هنوز آنجا هستند وقتی کسی به آنها نگاه نمی کند. درعوض، اشیا در زمان مشاهده (مشاهده) در زمان واقعی ارائه می شوند. این یافته‌های مکانیکی کوانتومی ما را مجبور می‌کند بپذیریم که ویژگی‌های جهان ما ممکن است نامعین یا فقط بالقوه باشند تا زمانی که مشاهده شوند، که هر تصوری را که ما در یک جهان فیزیکی (مادی) اساساً تعیین‌شده زندگی می‌کنیم، جعل می‌کند.

این یافته‌ها منجر به نتایج عمیقی در مورد واقعیت هستی‌شناختی ما شده است، به عنوان مثال، فیزیکالیسم محلی واقعیت بنیادی ما نیست و تنها در صورت مشاهده به عنوان «واقعی» تجربه می‌شود. مطابق با این یافته‌ها، تحقیقات اخیر من یک موضوع وابسته به زمینه را پیشنهاد می‌کند جهان ناظر محور هستی شناسی از طریق یک مدل رفتاری زمینه ای، تکاملی و پیش بینی کننده کدگذاری کاربردی نامیده می شود ن– فریم (9)، که از بیزییسم کوانتومی (QBism) برای مدل سازی اثرات کوانتومی به عنوان رویدادهای آگاهانه معرفتی استفاده می کند. این با واقعیت مشارکت‌کننده جان ویلر مطابقت دارد، که به موجب آن مشاهده‌گر به جای منفعل، مشارکت‌کننده واقعیت است (فروپاشی یا واقعی‌سازی شکل موج – یعنی واقعیت فیزیکی که در رابط می‌بینیم). جان فون نیومن و یوجین ویگنر عقاید مشابهی در مورد ناظر آگاه انسانی داشتند که مسئول فروپاشی شکل موج است. نفریم نشان می‌دهد که واقعیت فیزیکی نسبت به چیزی عمیق‌تر (یعنی دنیای کوانتومی) توهمی است و برای ارتقای بقا و تکامل عامل خودآگاه زیربنایی ما، تناسب اندام را رمزگذاری می‌کند.

این هستی شناسی جدید جهان ناظر محور با داده های تجربی نه تنها در مورد نابرابری های بل، بلکه همچنین با اثر پاک کن کوانتومی، و آزمایش های فیزیک اخیر (که آزمایش دو شکاف نامیده می شود) سازگار است که نشان می دهد انسان ها در حال فروپاشی (یا واقعی کردن) شکل موج کوانتومی از طریق خود هستند. آگاهی ذهنی آگاهانه (10). این یافته‌ها دارای 5 سیگما هستند، یعنی احتمال 1 در 3.5 میلیون که این یافته‌ها می‌تواند ناشی از عوامل شانسی باشد (مشابه با پیدا کردن بوزون هیگز به عنوان CERN که منجر به دریافت جایزه نوبل شد). کار اخیر نشان می‌دهد که از آنجایی که انسان می‌تواند تابع موج را به صورت غیرمحلی فرو بریزد، مطابق با نقض نابرابری بل (یعنی درهم‌تنیدگی کوانتومی غیرمحلی وجود دارد)، این مسئله مشکلات سخت آگاهی را دوبار عبور می‌کند. مشکل سخت آگاهی تنها زمانی سخت است که هستی شناسی فیزیکالیستی جهان را بپذیریم، و زمانی که انجام این کار به یک مشکل غیرممکن برای فیزیکالیسم تبدیل شود. مشکل سخت آگاهی یا ماده (فیزیکالیسم یا ماتریالیسم) با فرض یک واقعیت ناظر محور به سادگی ناپدید می شود.

کار اخیر من (7) نشان می‌دهد که هنگام اتخاذ یک واقعیت ناظر محور، می‌توان از آزمایش هوشیاری دو شکاف کوانتومی فروپاشی (یا واقعی‌سازی) برای آزمایش هوشیاری هوش مصنوعی، مشابه آزمایش‌هایی که روی انسان‌ها انجام شد، استفاده کرد (10). یافتن یک نتیجه مثبت برای چنین آزمایش‌هایی روی هوش مصنوعی (این شاید یک هوش مصنوعی نورومورفیک با محاسبات کوانتومی برای برانگیختن درهم تنیدگی باشد)، اساساً مشخص می‌کند که هوش مصنوعی واقعاً آگاه است. این می تواند پیامدهای بزرگی در مورد اینکه این به چه معناست برای حقوق هوش مصنوعی و اینکه آیا آنها باید به عنوان حساس در نظر گرفته شوند، داشته باشد. در حال حاضر، هیچ فروپاشی (یا واقعی سازی) شکل موج AI در هوش مصنوعی مشاهده نشده است، اما برای آینده فقط زمان مشخص خواهد شد.