از هوشمندی تا هوشیاری

نگاهی به ارتباط هوشیاری با هوش مصنوعی

به قلم مهران آقابزرگی ورودی ۹۴ کارشناسی نرم افزار صنعتی اصفهان

موضوعاتی هستند که عموما ما انسان‌ها به عنوان بدیهیات از کنار آنها رد می‌شویم، ولی به محض اینکه شروع به فکر کردن به آنها بکنیم، متوجه می‌شویم که چقدر پیچیده و نامفهوم هستند. مثلا مفهوم زمان و یا مبحثی که در این نوشته قصد صحبت در مورد آن را داریم، هوشیاری!

هوشیاری مبحثی است که فیلسوف‌ها از قرن‌ها پیش به آن پرداخته‌اند ولی با پیشرفت علم و گذر زمان، شاخه‌های زیاد دیگری هم خود را درگیر با آن دیده‌اند. به عنوان مثال یکی از بزرگترین سوالات در زیست‌شناسی، هدف تکاملی هوشیاری است و یا در علوم کامپیوتر، مخصوصا در چند سال اخیر با پیشرفت هوش‌مصنوعی و شبکه‌های عصبی، هوشیاری به مبحث مهمی در این شاخه تبدیل شده است زیرا هوشمندی (یا به اختصار، هوش) ارتباط نزدیکی با آن دارد. در ادامه به بسط بیشتر این موضوع از نظر علوم کامپیوتر و کمی فلسفه می‌پردازیم.

۱. هوشیاری چیست؟

هوشیاری را می‌توان در یک کلمه به تجربه خلاصه کرد. خودتان را در موقعیتی تصور کنید، چه یک تجربه‌ی ساده مثل نگاه کردن به یک منظره و یا یک لحظه‌ی خاص و به یادماندنی در زندگی؛ اینکه شما به عنوان فاعل و به طور مستقیم و بدون واسطه این تجربه و حس را داشته‌اید، همان هوشیاری است. برای درک بهتر این موضوع، به مثالی از یکی از سخنرانی‌های دیوید چالمرز[1]، فیلسوف نامی، اشاره می‌کنیم. در هر لحظه، در ذهن شما یک فیلم در حال پخش شدن است؛ این فیلم نه تنها تصویر و صدایی سه بعدی دارد، بلکه المان‌هایی مثل بو، حس لامسه، درد، گرسنگی، غم، خوشحالی، خاطره و ... دارد. در قلب این فیلم «شما» هستید که همه‌ی اینها را به طور مستقیم و بدون واسطه تجربه می‌کنید. هیچ چیز بیرون از این تجربه برای شما وجود ندارد؛ این فیلم جریان هوشیاری شماست. تجربه‌ی فاعلی[2] از جهان!

۱.۱ من هوشیارم پس هستم!

هوشیاری هر شخص فقط توسط خود آن شخص قابل درک و تجربه است. به عنوان مثال هیچ کس به جز شما تجربه‌ای که هنگام دیدن رنگ قرمز دارید را نمی‌تواند داشته باشد، به همین دلیل به هوشیاری تجربه‌ی فاعلی نیز گفته می‌شود (تجربه‌ی شما کاملا منحصر به شماست). همین موضوع که هوشیاری فقط برای هر شخص و به صورت فاعلی معنا پیدا می‌کند مطالعه‌ی آن را بسیار سخت کرده است زیرا دانشمندان برای مطالعه‌ی چیزی، آن را به عنوان یک اُبژه[3] (چیزی که مشاهده می‌شود) در بیرون از خود مطالعه می‌کنند؛ حال آنکه هوشیاری چنین نیست. انکارناپذیر ترین موضوع برای هر شخص هوشیار بودن و تجربه داشتن خود اوست؛ به همین دلیل است که فیلسوف بزرگ، رنه دکارت، جمله‌ی معروف «من هوشیارم، پس هستم» را مطرح کرده است.

۲.۱ مسئله‌ی سخت هوشیاری

سوال اصلی که به عنوان «مسئله‌ی سخت هوشیاری[4]» شناخته می‌شود این است که چرا و چگونه هوشیاریم. به عبارت دیگر اولا چه نیازی به هوشیاری و تجربه داریم (از دید تکاملی[5] چرا توابعی نیستیم که با پردازش ورودی مانند یک ربات فعالیت‌هایی انجام می‌دهد)؛ دوما چه عاملی باعث وجود این هوشیاری است؟ آیا چیزی فرا فیزیکی عامل هوشیاری است، ساختار ذهن و بخشی از نورون‌ها یا...

اهمیت چرایی و چگونگی هوشیاری در شاخه‌های مختلف متفاوت است، به عنوان مثال در علوم کامپیوتر چگونگی هوشیاری اهمیت بیشتری دارد زیرا هدف، دست یافتن به هوش جامع مصنوعی[6] است و چگونگی هوشیاری برای دست‌یابی به چنین هدفی مهمتر است. در ادامه بیشتر به این ارتباط خواهیم پرداخت.

۲. هوش مصنوعی و هوشیاری

در سال‌های اخیر رشته‌ی هوش مصنوعی پیشرفت بی‌سابقه و نمایی‌ای داشته است؛ این پیشرفت تا حد زیادی به خاطر رونق گرفتن استفاده از شبکه‌های عصبی به وجود آمده. شبکه‌های عصبی ده‌ها سال پیش با ایده گرفتن از ساختار ذهن معرفی شدند ولی پیشرفت و کاربرد چندانی پیدا نکردند تا اینکه در سال‌های اخیر به دلیل وجود قدرت محاسباتی زیاد به کمک کارت‌های گرافیک و داده‌های بزرگ جمع‌آوری شده، پیشرفت بی‌سابقه‌ای داشته‌اند.

۱.۲ هوش جامع مصنوعی

هدف غایی رشته‌ی هوش مصنوعی دستیابی به هوش جامع مصنوعی است، هوشی که در حوزه‌های مختلف در سطح انسان بتواند توانایی داشته باشد. برخلاف خط فکری که غالبا مشاهده می‌شود، این رشته فاصله‌ی زیادی تا دستیابی به چنین هدفی دارد. به طور مثال ربات سوفیا[7] که در سال ۲۰۱۶ توسط یک کمپانی هنگ‌کنگی معرفی شد یک نمونه از دلیل وجود چنین خط فکری است. میزان جنجال و خبری که پروژه‌هایی به مانند این ایجاد می‌کنند به هیچ وجه قابل مقایسه با واقعیت موجود نیست و چه بسا تنها دلیل وجود آنها نیز به وجود آمدن چنین جنجال خبری و کسب درآمد باشد!

ربات سوفیا. استفاده از ظاهری شبیه انسان برای القای باهوش بودن آن.
ربات سوفیا. استفاده از ظاهری شبیه انسان برای القای باهوش بودن آن.

۲.۲ وضعیت کنونی و موانع موجود

حال با علم به اینکه فاصله‌ی زیادی به دستیابی به هوش جامع مصنوعی وجود دارد، کمی به موانع موجود و ارتباط آنها با هوشیاری و تجربه می‌پردازیم.

۱.۲.۲ تک بعدی بودن

شبکه‌های عصبی چیزی به جز توابعی که عملکرد آنها با استفاده از داده‌های موجود یادگیری می‌شوند، نیستند. توابعی که می‌توانند الگوهای بسیار پیچیده و دقتی به اندازه‌ی دلخواه بالا داشته باشند. این توابع در انجام یک کار خاص عملکرد غالبا بهتر از انسان دارند؛ مثلا سال‌هاست که در تشخیص دسته‌بندی تصاویر از انسان بهتر عمل می‌کنند. حال آنکه فقط برای همان کار خاص یادگیری شده‌اند و توانایی دیگری ندارند؛ این در حالی است که انسان در زمینه‌های بسیار زیادی توانایی تفکر، تحلیل و یادگیری دارد. احتمالا همه‌ی ما خبر شکست انسان در بازی آلفاگو از هوش مصنوعی را شنیده‌ایم. یک شبکه‌ی پیچیده که با انجام میلیون‌ها بازی، یادگیری شده و هر انسانی را شکست می‌دهد، اما اگر به نحوی (فرضا) یک سوال ساده در زمینه‌ای دیگر از او پرسیده شود (مثلا ۲+ ۲)، احتمالا جوابی کاملا پرت خواهد داد.

شبکه‌های عصبی چیزی به جز تابع نیستند.
شبکه‌های عصبی چیزی به جز تابع نیستند.


۲.۲.۲ با داده‌های جدید سر سازگاری ندارند

همچنین روش‌های موجود یادگیری، در برابر تغییر و سازگاری پیدا کردن با محیط جدید عملکرد غیر قابل قبولی دارند. به این معنا که اگر توزیع احتمال نمونه‌های ورودی این شبکه‌ها کمی متفاوت با توزیع احتمال نمونه‌هایی باشد با استفاده از آنها یادگیری شده‌اند، عملکرد ضعیفی خواهد داشت. مثلا اگر شبکه‌ی عصبی‌ای برای تشخیص ماشین‌های موجود در یک عکس طراحی و یادگیری شده باشد، احتمالا ماشین‌هایی که کمی خاص و متفاوت باشند را تشخیص نمی‌دهد؛ در حالی که انسان با چنین مشکلاتی مواجه نمی‌شود و می‌تواند مفاهیمی که یاد گرفته است را در ذهن خود بسط دهد. مورد مهم دیگر که ارتباط نزدیک با این مشکل دارد مفهوم «خلاف واقع[8]‌»ها هستند. انسان با استفاده از توانایی بسط دادن به مفاهیم در ذهن خود، می‌تواند درباره‌ی شرایط غیر واقعی و یا خیلی خاص واقعیت‌هایی را درک کند. مثلا جمله‌ی «اگر به جای برف از آسمان سنگ ببارد، زخمی خواهیم شد» را در نظر بگیرید؛ ما هرگز در چنین شرایطی نبوده‌ایم، ولی می‌توانیم یک واقعیت را از آن نتیجه بگیریم. این توانایی در ذهن انسان تا حد زیادی از توانایی درک ما از علت و معلول[9] سرچشمه می‌گیرد (که خود آن ارتباط نزدیک با تجربه دارد)؛ ما تا حدودی توانایی تشخیص علت از معلول را داریم که این در پروسه‌ی یادگیری ما تاثیر به سزایی دارد. حال آنکه شبکه‌های عصبی تنها درک‌کننده‌ی الگوهای موجود در داده‌ها هستند و علت و معلول را درک نمی‌کنند.

۳.۲.۲ نیاز به داده‌های بسیار زیاد

از طرف دیگر، این شبکه‌ها برای یادگیری به تعداد بسیار زیادی داده نیاز دارند. فراموش نکنیم که هدف رسیدن به هوش جامع مصنوعی است؛ انسان برای یادگیری چیزی جدید به داده‌های بسیار کمی نسبت به این شبکه‌ها نیاز دارد. مثلا هوش مصنوعی AlphaStar که توسط DeepMind برای انجام بازی StarCraft طراحی شده است، برای رسیدن به سطح انسان با فقط یک نوع بازیکن و نقشه‌ی خاص، نیاز به انجام بازی در برابر خود به اندازه‌ی معادل ۲۰۰ سال دارد!

۳.۲ انسان، بهترین الگو

مهمترین راهنمایی که در این مسیر می‌تواند کمک‌کننده باشد، انسان و نحوه‌ی یادگیری اوست؛ برای دستیابی به هوشی در سطح انسان، چه راهی بهتر از بررسی نحوه‌ی یادگیری انسان؟ در اینجاست که با مسائل مهم و پیچیده‌ای همچون هوشیاری و تجربه مواجه می‌شویم.

۱.۳.۲ توجه

یکی از مهمترین قدم‌های برداشته شده در این راستا به وجود آمدن مفهوم «توجه[10]» در شبکه‌های عصبی است. انسان در تجربه و پروسه‌ی یادگیری خود در هر لحظه به مجموعه‌ای محدودی از اطلاعات و مفاهیم توجه می‌کند؛ مثلا وقتی به یک منظره نگاه می‌کنیم، به همه‌ی پیکسل‌های ورودی چشم خود توجه نمی‌کنیم و یا تمام اتفاقات ممکنی که در حال رخ دادن است را در نظر نداریم، بلکه فقط به بخش‌های محدود و خاصی که در آن موقعیت برای ما مهم هستند توجه می‌کنیم. یاشوا بنجیو[11] در مقاله‌ی The Consciousness Prior به بسط و اهمیت این موضوع پرداخته است. مفهوم توجه، در ساختارهای مختلف شبکه‌های عصبی در حال استفاده شدن است و تاثیر بسزایی روی عملکرد آنها دارد.

۲.۳.۲ مدلی از جهان

ایده‌ی مطرح دیگری که برای گذر از محدودیت‌های موجود وجود دارد، داشتن مدلی از جهان است که شبکه‌های عصبی بتوانند از آن استفاده و طبق آن یادگیری شوند. منظور از مدلی از جهان، مفاهیم سطح بالا و ارتباط‌های قوی بین آنهاست. به طور مثال هنگام رانندگی در کنار یک دره می‌دانیم که اگر فرمان را کمی به راست حرکت دهیم، به دره سقوط خواهیم کرد؛ این به دلیل وجود مدلی از جهان در ذهن ماست که ارتباط بین حرکت دادن فرمان، موقعیت خودرو، جاذبه و صدمه دیدن هنگام سقوط را از آن استنتاج می‌کنیم و حرکت غیر عقلانی انجام نمی‌دهیم. در صورتی که یک هوش مصنوعی با بهترین الگوریتم‌های موجود، برای یادگیری همین موضوع به نسبت ساده نیاز به انجام صدها بار اشتباه و سقوط دارد!

همه‌ی این موضوعات ارتباط نزدیک با تجربه و هوشیاری دارند. تنها منبع دریافت اطلاعات در انسان تجربه‌ی او در جهان است؛ یک کودک با تجربه‌ی خود و تمرکز روی موضوعات خاص، مدل خود از جهان را بهبود می‌دهد. مثلا یک کودک چند ماهه، اگر قطار اسباب‌بازی او بدون داشتن ریل در هوا حرکت کند، تعجبی نخواهد کرد؛ در طی زمان با هوشیاری و تجربه، مدل خود از جهان را بهبود می‌دهد و مفهوم جاذبه را درک خواهد کرد.

۳.۳.۲ احساسات

یکی دیگر از اجزای جداناپذیر از هوشیاری و تجربه، داشتن احساسات مختلف است. احساس ترس، خوش‌حالی، درد و... که در شکل دادن به محل تمرکز ما و مدل جهانی که در ذهن داریم نقش تعیین کننده‌ای دارند. به طور مثال در یک موقعیت خطرناک، ما تمرکز خود را به سمت مفاهیمی که خطر را از ما دور نگه دارند می‌بریم؛ یا اگر احساسی مثل ترس و درد وجود نداشت شاید حرکت دادن فرمان ماشین به سمت دره اتفاقی آنقدر بد تلقی نمی‌شد. یان لاکن[12] که به اتفاق بنجیو و هنتسون[13] برنده‌ی جایزه‌ی تورینگ ۲۰۱۸ شد، اعتقاد دارد که بدون وجود نوعی احساسات در هوش مصنوعی، امکان دستیابی به هوشی قدرتمند وجود ندارد!

حال با شناخت جایگاه و اهمیت هوشیاری در آینده‌ی هوش مصنوعی، در ادامه به معرفی چند دیدگاه در مورد آن می‌پردازیم. این دیدگاه‌ها ارتباط نزدیکی با سازگاری داشتن یا نداشتن هوشیاری با روش‌های موجود در هوش مصنوعی دارند.

۳. آزمایش اتاق ماری[14] و آینده

یک انسان بسیار باهوش به اسم ماری را که در تمام عمر خود را در یک اتاق سیاه سفید گذرانده را تصور کنید. ماری تا به حال هیچ رنگی را مشاهده نکرده است و فقط رنگ‌های سیاه، سفید و دامنه‌های مختلف خاکستری (مثل عکس‌های سیاه سفید) را دیده است. ماری هر آنچه که می‌توان در مورد رنگ‌های مختلف، دامنه‌های آنها، طول موج و ... را مطالعه کرده؛ او همه‌ی اطلاعات ممکن در مورد رنگ‌های مختلف را می‌داند. حال تصور کنید یک روز به نحوی برای اولین بار مثلا رنگ قرمز را واقا مشاهده و تجربه می‌کند. آیا ماری با تجربه‌ی دیدن این رنگ چیز جدیدی درباره‌ی رنگ قرمز یاد می‌گیرد؟ آیا چیزی در تجربه کردن این رنگ نهفته است که در اطلاعات مختلف درباره‌ی آن نیست؟

اتاق ماری
اتاق ماری

احتمالا جواب بیشتر ما به این سوال این است که بله، تجربه کردن رنگ قرمز چیزی در ماری می‌انگیزد و به او یاد می‌دهد که حتی در همه‌ی اطلاعات ممکن درباره‌ی آن هم نمی‌توان یاد گرفت. ولی واقعیت این است که این سوال دهه هاست که ذهن دانشمندان رشته‌های مختلف را درگیر کرده است و جواب مشخصی برای آن وجود ندارد؛ این مسئله با نام «جدل دانش[15]» نیز شناخته می‌شود.

اگر جواب به این سوالات مثبت باشد (ماری چیز جدیدی می‌آموزد) به این معناست که چیزی فرا فیزیکی و فرا اطلاعات در تجربه کردن نهفته است و هوش جامع مصنوعی که در تلاش برای رسیدن به آن هستیم، مستقل از هر چیز دیگر، اگر قادر به تجربه کردن نباشد، مفاهیمی وجود خواهند داشت که هرگز درک نخواهد کرد.

حال نکته‌ی مهمی که باید به آن توجه کنیم این است که،‌ هوش را می‌توان توانایی یادگیری، استدلال کردن و سازگاری پیدا کردن با محیط جدید تعریف کرد. هوش، در هر نوع از آنکه متصور شویم (مثلا شبکه‌های عصبی) به تابع خلاصه می‌شود. تابعی که با دریافت ورودی و انجام محاسبه بر روی آن، به هدف تعیین شده‌ی خود میرسد. ولی در مورد هوشیاری دو دیدگاه کلی متفاوت وجود دارد که در ادامه به آنها خواهیم پرداخت.

۱.۳ دیدگاه تابعی

اولین دیدگاه در رابطه‌ی نزدیک با راه‌حل‌هایی مثل مفهوم «توجه» و «داشتن مدلی از جهان» که قبلا به آن‌ها اشاره کردیم، است. این دیدگاه که بیشتر توسط محققان حوزه‌ی علوم کامپیوتر دنبال می‌شود، یک دید تابعی برای حل این مسئله و گذر به سمت رسیدن به هوش جامع مصنوعی دارد؛ دید تابعی به این معنا که در نهایت هر راه‌حلی در این رابطه مانند دیگر بخش‌های شبکه‌های عصبی به تابع خلاصه خواهد شد. مثلا ساختارهای پیشرو شبکه‌ی عصبی که در NLP استفاده می‌شوند، قسمتی برای «تمرکز» دارند که مشخص می‌کنند که بر روی کدام کلمه‌ها و یا جمله‌های یک متن بزرگ باید تمرکز کرد که کلمه‌ی بعدی پیش‌بینی شود. این بخش‌ها در نهایت به مانند دیگر بخش‌های شبکه‌ی عصبی یادگیری می‌شوند.

۲.۳ دیدگاه غیر تابعی

دیدگاه دیگر که بیشتر در بین دانشمندان علوم اعصاب پیگیری می‌شود، دید غیر تابعی به این موضوع است. به اعتقاد بسیاری از دانشمندان و فیلسوفان از جمله کریستف کاخ[16] هوشیاری هر چه باشد، تابع نیست! از نظر آن‌ها، این وجه تمایز بزرگ میان هوش و هوشیاری است. بهتر است برای روشن شدن این موضوع به یک مثال از یکی از مصاحبه‌های کریستف کاخ توجه کنیم. احتمالا با مخزن شناوری[17] آشنا باشید؛ این مخازن معمولا برای درمان یک‌سری بیماری‌ها، رفع استرس و آرامش پیدا کردن استفاده می‌شوند. شخص، بدون هیچ متعلقاتی (لباس، دستبند و...) در یک مخزن حاوی آب وارد می‌شود؛ این مخزن‌ها کاملا عایق صدا هستند و هیچ نوری نیز در آن وجود ندارد (تاریکی مطلق)، پس از مدتی بدن بی وزن می‌شود و با عادت کردن به صدای قلب، زمان مفهوم خودش را از دست می‌دهد. در این حالت اگر شخص از فکر کردن پرهیز کند، در حالتی بدون بدن، زمان، دید، فکر و شنوایی قرار دارد. در این حالت محاسبه‌ای[18] در کار نیست ولی شخص هوشیاری و تجربه دارد؛ صرف وجود داشتن شخص کافی‌است تا هوشیار باشد؛ این چیزی متفاوت از تابع و محاسبه است.

این دو دیدگاه لزوما تناقضی با یکدیگر ندارند. طبق نظر کریستف کاخ، هوشیاری و تجربه تابع نیستند و هر تلاشی برای دست‌یابی به آن از این طریق یا با شکست مواجه می‌شود و یا در بهترین حالت به شبیه‌سازی هوشیاری ختم می‌شود. یعنی ماشینی که هوشیاری داشتن را شبیه‌سازی می‌کند (می‌تواند انسان را قانع کند که هوشیار است!) و حتی می‌تواند استاندارد‌های یک هوش جامع مصنوعی را داشته باشد ولی واقعا دارای هوشیاری نیست.

مطالب گفته شده تنها بخشی از مشکلات و راه‌حل‌های موجود هستند. دانشمندان هوش مصنوعی با مطالعه‌ی این موضوعات در صدد رفع موانع موجود برای رسیدن به هوش جامع مصنوعی هستند. همچنین این موضوعات را از جنبه‌های زیاد دیگری نیز می‌توان بررسی کرد. مثلا جنبه‌ی اخلاقی داشتن هوش مصنوعی که هوشیار است؛ آیا این ماشین‌ها به مانند انسان از حقوق‌هایی برخوردارند و یا اینکه آیا از نظر اخلاقی اجازه‌ی خاموش کردن آنها را داریم یا خیر؟ و...

در هر حال، جنبه‌های رازآلود و جذاب زیادی پیرامون این موضوعات وجود دارند که این رشته را به محلی جذاب برای تحقیق تبدیل کرده است.

۴. سخن نهایی

موضوعاتی که در این نوشته مطرح شد، هر کدام بخش‌هایی از علم هستند که محققین زیادی روی آنها مطالعه انجام می‌دهند. بنابراین این مطالب، کلی بیان شده و هدف بررسی تخصصی و بیان جزئیات نبوده؛ بلکه سعی شده که ارتباط بین هوشیاری و هوش مصنوعی و نقش آن در رسیدن به هوش جامع مصنوعی مطرح شود. انگیزه اولیه‌ی نوشتن این مقاله اولا کمک به درک محدودیت‌های موجود شبکه‌های عصبی و فاصله گرفتن از جو غیر واقعی موجود در رابطه با عملکرد آنها نسبت به انسان؛ دوما بیان بخشی از ارتباط‌های موجود بین شبکه‌های عصبی و رشته‌هایی مانند علوم اعصاب، زیست‌شناسی، فلسفه‌ی ذهن و... بوده؛ به عبارت دیگر بیان لزوم مطالعه و آشنایی با مفاهیم این رشته‌ها برای درک بهتر شبکه‌های عصبی.

اگر به ارتباط بین ذهن انسان و شبکه‌های عصبی علاقه‌مند هستید، در حوزه‌های زیادی مثل شبکه‌های ژرف[19]، علوم اعصاب محاسباتی[20]‌، فلسفه‌ی ذهن[21] و... موقعیت‌های زیادی برای ادامه‌ی تحصیل و تحقیق در این رابطه وجود دارد.

۵. چند لینک مرتبط

1. https://arxiv.org/abs/1709.08568
2. https://youtu.be/azOmzumh0vQ
3. https://youtu.be/uawLjkSI7Mo
4. https://youtu.be/s3AUUYUXsP8
5. https://youtu.be/FtUbMG3rlFs
6. https://youtu.be/piHkfmeU7Wo
7. https://youtu.be/luGE5e2_xKM
8. https://youtu.be/oYj2mukiiXI
9. https://youtu.be/uhRhtFFhNzQ
10. https://youtu.be/LW59lMvxmY4
11. https://youtu.be/OsYUWtLQBS0
12. https://youtu.be/SGSOCuByo24


]1 [David Chalmers
]2 [subjective experience
]3 [object
]4 [the hard problem of consciousness
]5 [evolutionary
]6 [Artificial General Intelligence (AGI)
]7 [sophia
]8 [counterfactuals
]9 [causality
]10 [attention
]11 [Yoshua Bengio
]12 [Yann LaCun
]13 [Geoffrey Hinton
]14 [Mary's room experiment
]15 [The Knowledge Argument
]16 [Christoph Koch
]17 [flotation tank
]18 [Computation
]19 [Deep Learning
]20 [Computational Neuroscience
]21 [Philosophy of Mind