هوش مصنوعی، توانمند یا هوشمند؟

نسبت به پنج سال پیش، امروز شاید مسخره باشد که در مقدمه از توانایی‌ها و قدرت هوش‌مصنوعی (که از اینجا به بعد به آن «هوشواره» می‌گوییم) صحبت کنیم. امروز هوشواره در شطرنج، و بسیاری بازی‌های دیگر، حتی در برخی مهارت‌های ورزشی، و کار‌های پیچیده‌ای چون برنامه نویسی، و بهینه‌سازی از ما بهتر عمل میکند. همین اواخر در یکی از کارگاه‌های یک کنفرانس سطح‌بالا مقاله‌ای پذیرفته شد که تماما با هوش مصنوعی نوشته شده بود.

پاسخ به این پرسش که «آیا هوشواره هوشمند است، یا آیا روزی هوشمند خواهد شد؟» به پرسشی بسیار دشوارتر و اغلب نادیده‌گرفته‌شده وابسته است: «هوشمندی چیست؟» اما دشواری این پرسش اینقدر زیاد است که ما را وسوسه می‌کند که آن‌را دور بزنیم. آیا می‌توانیم دربارهٔ هوشمندی کامپیوتر بحث کنیم بدون این که به چیستی هوش فکر کنیم؟ به طور خلاصه تا حدی این کار شدنی‌ست.

آزمون تورینگ

نگرش «رفتارگرا» به جای نگاه به ماهیت هوشمندی، نظر به رفتار هوشمندانه دارد. این نظریه مدعی‌ست اگر یک سیستم مانند یک انسان، هوشمند رفتار کند، دلیلی وجود ندارد که هوشمندی آن را انکار کنیم. به همین دلیل آلن تورینگ برای پذیرش یا رد هوشمندی یک سیستم، آزمونی مبتنی بر رفتار آن را پیشنهاد می‌دهد. آزمون تورینگ از این قرار است: برنامه را در یک سوی یک خط ارتباطی قرار دهید و در سوی دیگر، یک داور آن‌را ارزیابی میکند. داور نمیداند که در طرف دیگر خط آیا یک انسان قرار دارد یا یک برنامهٔ کامپیوتری. او باید از طریق گفت‌وگو تشخیص دهد که با کدام‌یک طرف است. اگر داور نتواند برنامه را از یک انسان واقعی تشخیص دهد، آنگاه برنامه هوشمند است. به این آزمون «بازی تقلید» نیز گفته می‌شود، زیرا انتظار ما از سیستم هوشمند این است که رفتار انسانی را تقلید کند.

اگر برای پذیرش یا رد هوشمندی به این آزمون بسنده کنیم، خبر جالب (خوب یا بد) این است که همین حالا ما در این نقطه قرار داریم. مدل‌های قدیمی‌تر از مدل‌های رایج امروزی توانسته‌اند این آزمون را موفق پشت سر بگذارند. [1].

اما آیا این آزمون معیار درستی برای پذیرش یا رد هوشمندی‌ست؟ (1) آیا برای هوشمندی صرفاً شبیه انسان بودن کفایت می‌کند؟ آیا این شباهت لازم است؟ اگر کامپیوتر بتواند در قیاس با انسان، کارهای شناختی دشوارتری را با موفقیت به سرانجام رساند، اما نتواند مثل انسان حرف بزند چه؟ اگر دو برنامه داشته باشیم که یکی بسیار پیشرفته‌تر و توانمندتر از دیگری باشد اما در تقلید بدتر عمل کند، آیا باید برنامهٔ بهتر را کمتر هوشمند می‌دانیم؟ (2) آزمونگر این آزمایش قرار است چه سوالاتی بپرسد؟ چه مکالمه‌ای در نظر او نماینده‌ی هوشمندی‌ست؟ فقط یک گفت‌وگوی روزمره ملاک پذیرش هوشمندی‌ست، یا آزمونی سخت با پرسش‌های پیچیده و دشوار؟ در این حالت، چه انسانی را باید داور درست و معتبر بدانیم؟ (3) اگر سیستم تمایل نداشته باشد مثل انسان‌های عادی حرف بزند چه؟ در مطالعه‌ای که موفقیت مدل‌های در آزمون تورینگ نشان داده‌شده [1]، اگر در دستورات همان مدل این این ذکر نشود که قرار است سبک و سیاق گفتگو‌ی انسانی تقیلد شود، همان مدل از آزمون تورینگ رد می‌شود. بنابراین یک برنامهٔ واحد می‌تواند هم‌زمان در همان آزمون شکست بخورد و یا موفق شود، و این موفقیت صرفاً با تغییر دستوری‌ست که هیچ ارتباطی با هوشمندی ندارد.

این آزمون پیچیدگی‌های لازم برای پذیرش هوشمندی را ندارد، اما انتظاری جز این هم نیست. در زمان زندگی آلن تورینگ، علوم کامپیوتر هنوز تا این اندازه بالغ نبود، فناوری عمدتاً آنالوگ بود، و کامپیوترها اساساً ماشین‌حساب‌هایی پیشرفته محسوب می‌شدند. در واقع، خود تورینگ مدل انتزاعی محاسبه را ابداع کرد؛ مدلی ریاضیاتی که معادل کامپیوترهای امروزی‌ست.

بر پایهٔ «ماشین عمومی تورینگ»، علوم کامپیوتر توانست به پرسش‌هایی بسیار مهم پاسخ دهد: مانند اینکه چه مسائلی به طور بهینه‌ای قابل حل‌اند، حل چه مسائلی دشوارتر است، و چه چیزهایی اساساً محاسبه‌ناپذیرند. بنابراین، اگر انتظار داریم تورینگ با آزمونی دقیق‌تر و پیچیده‌تر هوشمندی را پذیرد، انتظارات ما بسیار از واقعیت زمانه‌ی تورینگ فاصله دارد.

کارکردگرایی و نمادها

نگاه رفتارگرا تاکید میکند که «اگر یک سیستم مثل انسان رفتار کند، هوشمند است». در مقابل «کارکردگرایی» این هوشمندی را در ساحتی عمیق‌تر مورد واکاوی قرار می‌دهد. پیش از بیان کارکردگرایی باید به اصلی اشاره کنیم که «تحقق‌پذیری چندگانه» نام دارد. این اصل بیان می‌کند که حالت‌های ذهنی می‌توانند به‌شکل‌های مشابهی روی سیستم‌های فیزیکی دیگر بازتولید شوند. به عبارتی اگر ذهن ما روی بستری از نورون‌ها و واکنش‌های شیمیایی قرار گرفته، می‌توان مشابه همین ذهن را روی مدارها، یا هر بستر فیزیکی دیگری ساخت. زمانی این بازسازی موفق است که سیستم جدید توانایی بازتولید حالت‌های ذهن فعلی (ترس، خشم، شادی، فهم و ...) را داشته باشد.

اما یک حالت ذهنی (مثلا درد) چه زمانی بازتولید شده‌است؟ زمانی موفق محسوب می‌شود که علت و کارکرد مشابهی داشته باشد! برای نمونه، احساس درد حاصل نوعی اختلال در بیرون یا درون بدن ماست که می‌تواند به ما آسیب بزند. مثلا جسمی تیز در حال پاره کردن پوست ماست، یا عضوی به‌درستی کار نمی‌کند. اما کارکرد درد این است که ما را مجبور به حل مشکل کند. اگر بتوانید علت و کارکرد مشابهی را بر بستر فیزیکی جدید ایجاد کنید، فارغ از اینکه چگونه و بر چه بستری تولید شده باشد، آن حالت «درد» است.

اما این دیدگاه می‌تواند حتی رادیکال‌تر شود و به ما را توصیفی کامل هدایت کند. برای نمونه، اثبات قضایا در ریاضیات قضیه‌ها چگونه رخ می‌دهند؟ اساساً ریاضی‌دانان، فرمول‌ها و معادلات را تحت قواعدی معتبر دستکاری می‌کنند و در نهایت به نقطه‌ای می‌رسند که بدیهی است. افراد مختلف می‌توانند یک قضیه را به روش‌های متفاوت اثبات کنند، و تا زمانی که بدون نقض قواعد ریاضی پیش بروند، همه به یک اندازه در اثبات موفق‌اند. همین استدلال را می‌توان به هوش نیز تعمیم داد. هوش می‌تواند دستکاری نمادها باشد. نماد‌ها می‌توانند به یک اصل، اندیشه، یکی از اشیای جهان، و ... اشاره کنند و ترکیب نماد‌ها گزاره‌ها را تولید کند. در چنین سیستم انتزاعی استنتاج ممکن می‌شود. و آدمی در بازی با نماد‌ها اگر درون قواعد معتبر باقی بماند، یعنی نتیجه‌گیری احمقانه‌ای نکند، هوشمند است. آیا چنین برساختی درست است؟

آیا توانمندی کافی است؟

سارل یک آزمایش فرضی پیشنهاد می‌کند. فرض کنید شما حتی یک کلمه از زبان چینی نمی‌دانید و کتابی در اختیار دارید که به‌طور جامع به شما می‌گوید وقتی عبارت خاصی از شما پرسیده شد، چگونه پاسخ دهید؛ عبارتی که برای شما فقط دنباله‌ای از صداهاست و جوابی که به فرم مجموعه‌ای از اصوات خواهید داد. نکتهٔ اصلی این است که اگر صرفاً به این کتاب تکیه کنید، شما زبان چینی را بلد نیستید. این گزاره صادق است حتی اگر پاسخ‌های شما در زبان چینی کاملاً بی‌نقص به نظر برسد. گویی در این مثال نوعی فهم ذاتی وجود دارد که برای بلد بودن زبان چینی به آن نیاز دارید. این فهم در بستر سازوکار‌های قاعده‌محور قابل تولید نیست.

جایی که استدلال اتاق چینی می‌شکند

از دید من، یکی از نقدها به این مثال، مفهوم متغیرهای داخلی و دانش نهفته است. در زیرساخت مدل‌های یادگیرنده‌ی امروزی، بازنمایی‌های درونی‌ای وجود دارند که برای ما قابل فهم نیستند، اما نوعی معنا را حمل می‌کنند. برای مثال، هر توکن در یک مدل زبانی بزرگ به یک embedding نسبت داده می‌شود؛ آرایه‌ای از اعداد که مدل‌های هوشمند با دستکاری و محاسبه‌ی آنها به جواب می‌رسند. تجربه‌ی جالب ما این است که این نمایش‌های نهان، ساختارهایی معنادار نشان می‌دهند. به بیان دیگر، از طریق جمع و تفریق این آرایه‌های embedding ما می‌توانیم روابط معنی‌داری را بازتولید کنیم. یک نمونهٔ جالب از این بازنمایی این است که در بسیاری از مدل‌ها، اگر روی embeddingها عملیات ریاضی روبرو را انجام دهیم «King − Male + Female»، به نقطه‌ای نزدیک به embedding واژهٔ «Queen» می‌رسید. به عبارتی بازنمایی ایجاد شده از این کلمات در مدل‌های هوشمند توانسته‌اند ارتباط جنسیت و قدرت را در بین این کلمات درک کنند. چنین ساختاری قاعده‌مندی در فرایند آموزش به‌طور مستقیم هیچگاه تحمیل نشده است، اما پس از فرایند یادگیری ناگاه پدیدار می‌شود. این نشان می‌دهد که جعبه ابزار هوشمند امروزی چیزی فراتر از یک سیستم کاملاً قاعده‌محور و به دور از هرگونه فهم ذاتی‌ست.

نسخه‌ای دقیق‌تر از استدلال اتاق چینی، «مسئلهٔ ادراک پیش‌زمینه‌ی نمادها» نام دارد. حتی اگر فرض کنیم هوش به‌معنای دستکاری کارآمدتر نمادهاست، و با توجه به اینکه هوش مصنوعی امروز در پردازش آن نمادها بسیار توانمند است، هنوز از منظر هارناد [4] پرسش مهم این است: دانشی که پشت نمادها انباشت شده‌است از کجا سرچشمه می‌گیرد؟ آیا این دانش واقعاً به فهم خود مدل تعلق دارد، یا از فهم ما قرض گرفته شده است؟ در بسیاری از موارد، داده‌ای که مدل بر آن آموزش می‌بیند کاملاً توسط انسان‌ها تولید شده است. برای نمونه، مدل‌های زبانی بزرگ امروزی بر مجموعهٔ عظیمی از داده‌های تولیدشده توسط انسان آموزش می‌بینند؛ مانند وب‌سایت‌ها، کتاب‌ها، نقدها، مقالات دانشگاهی و غیره. مفهومی مانند «سیب» در درون یک مدل زبانی، آمیزه‌ای از فهم‌هایی است که از نوشته‌های انسان‌ها دربارهٔ سیب به دست آمده است. اگر همهٔ مردم دنیا تصمیم می‌گرفتند در نوشته‌هایشان همیشه سیب‌ را آبی بنامند، با اینکه آبی نیست، مدل زبانی هیچ راهی برای فهمیدن آبی نبودن سیب ندارد. دقیق‌تر بگوییم، فهم نهفتهٔ یک نماد در ذهن ماشین فقط از ما قرض گرفته شده است. توجه کنید که منظور من از «ما» در اینجا دانش و بازنمایی جمعی ما از آن نماد است: آنچه در مجموعه‌ی کتاب‌های درسی، وبلاگ‌ها، ضبط کلاس‌ها، و دیگر موادی تا کنون تولید کرده‌ایم.

اگر ماشین هرگز سیبی را لمس نکرده باشد یا از طریق هیچ سازوکار حسی‌ای آن را مشاهده نکرده باشد، چنین فهمی از سیب حاصل تقطیر باور عمومی ماست نه چیزی که ماشین فهمیده باشد. اینجاست که هوشمندی ماشین به بدن‌مندی گره می‌خورد.

چرا بدن‌مندی مهم است؟

دریفوس [5] استدلال می‌کند که هوشمندی انسان بر تجربیاتی جسمی، و عملی در جهان استوار است؛ ما سیب را لمس میکنیم، مزه میکنیم، و هر کدام از ما تجربه‌ی یکتایی از سیب دارد. چیزی که نمی‌توان آن را با قواعد و نمادهای صریح به‌طور کامل به دام انداخت. اما آنچه هوش مصنوعی (هوشواره) در بسیاری از موارد یاد‌میگیرد، یافتن نماد، گزاره‌ها و یا قضاوت‌هاییست که احتمال بیشتری می‌دهد انسان‌ هم آن را تولید کرده باشد.به عبارت آماری مدل هم‌بستگی‌های قوی را ثبت می‌کند؛ مثلاً می‌تواند بگوید ابر و باران با احتمال زیاد هم‌زمان ظاهر می‌شوند، اما فهم گزارهٔ «ابرها باعث باران می‌شوند» بسیار دشوارتر است. فهم را می‌توان تا حدی از طریق یافتن مثال‌های دستکاری شده به دست آورد؛ برای مثال، همه‌چیز را ثابت نگه داریم، ابرها را حذف کنیم، و بپرسیم آیا همچنان باران می‌بارد یا نه. منطق علیت مؤلفه‌ای از مداخله در محیط دارد: تغییر دادن ویژگی‌ها و سپس مشاهدهٔ اینکه چه تغییری در جهان می‌دهد. چنین فرضی به‌ندرت صرفاً از طریق آموزش روی داده‌ها قابل دستیابی است. این امر نیازمند آن است که مدل عاملیتی نسبت به رویداد داشته باشد، تا بتواند مداخله کند.

علم هوش مصنوعی به ما چه می‌گوید؟

از منظر یادگیری ماشین، چند مشاهده ارزش توجه بیشتری دارد:

معناداری در فضای نهفته

هر مجموعهٔ 1920×1080 از پیکسل‌ها را می‌توان به‌صورت تصویر Full HD نمایش داد، اما در میان فضای همهٔ این تصویر، فقط بخش بسیار کوچکی واقعاً تصویر واقعی و معنی دار هستند؛ بقیه زباله‌ (یا نویز) اند. جالب اینجاست که یک مدل یادگیری ماشین می‌تواند فضایی کم‌بعدتر پیدا کند که تصاویر معنادار روی آن قرار گرفته‌اند [6]. این فضای معنادار تا حدی نشان می‌دهد که استدلال اتاق چینی به‌طور کامل قابل اعمال نیست؛ با این حال، در بسیاری از موارد، فهم درونی مدل نیز خلاصه‌ای از چیزی است که ما به مدل داده‌ایم. مدل با جهان واقعی تعامل یا مواجههٔ عملی نداشته تا بفهمد سیب چیست، اما میلیون‌ها تصویر را مطالعه کرده که فهمی نسبتاً غنی و کافی از چنین مفهومی در خود دارند. این نشان می‌دهد که در این موارد، تجربه‌ی بدن‌مند نمادها همچنان عنصری مهم برای هوشمندی‌ست.

استحکام در برابر مثال‌های تهاجمی

نکتهٔ دیگری که تصور ما از هوشمندی مدل‌ها را محدوش می‌کند وجود مثال‌های تهاجمی است [7]. این حملات، اغتشاش‌هایی روی ورودی اصلی هستند که از دید انسان نامحسوس‌اند، یا دست‌کم معنای ورودی را تغییر نمی‌دهند. به‌ویژه در مورد تصاویر، تصویر آسیب دیده و تصویر اصلی از دید ادراک انسانی یکسان‌اند، در حالی که مدل هوشمند درک خود را برای مثال آسیب دیده به‌طور کامل تغییر می‌دهد. این نویزها به‌گونه‌ای ساخته می‌شوند که محاسباتی را که رفتار درست را ایجاد کرده‌اند، بشکنند و آن را به جهت دیگری منحرف کنند. همان‌طور که در شکل می‌بینید، نویزی که به تصویر پاندا اضافه شده، دقیقاً با توجه به وزن‌های مدل ساخته شده است تا خروجی مدل را از پاندا به موجودی دیگر تغییر دهد. این نویز برای چشم ما قابل مشاهده نیست، و تصاویر برای ما یکسان‌اند. این نامحسوس و بی‌معنی بودن این حمله‌ها، شاید نشان‌دهنده‌ی این است مدل به اندازهٔ کافی به معنا توجه نمی‌کند.

اما مثال‌های تهاجمی چگونه مدل را گیج می‌کنند؟ آن‌ها از محدودیت‌های ساختار مدل استفاده می‌کنند و برای بدترین پیش‌بینی بهینه‌سازی می‌شوند؛ و در شبکه‌های فعلی ما، بدترین پیش‌بینی جایی نزدیک به پیش‌بینی درست قرار دارد. پرسش این است: آیا مثال‌هایی وجود دارند که مغز انسان را به طور مشابهی فریب دهند؟ چیزی که از محدودیت‌های سیستم عصبی ما استفاده کند و باعث شود چیزی را نتیجه بگیریم که قطعاً درست نیست؟ بله، نمونهٔ خوب آن خطاهای دیداری هستند. ممکن است چنین مثال‌هایی نادر باشند، اما احتمالا دلیل آن این است که ما به مغز انسان دسترسی کامل نداریم، یا معماری آن چنان پیچیده و به‌خوبی طراحی شده که این مثال‌ها را نادر می‌کند.

عاملیت، راهی برای فهمیدن

اکثر مدل‌های مورد استفاده ما تحت یادگیری نظارت‌شده تغییر می‌کنند. این یعنی مدل، مجموعهٔ بزرگی از ورودی‌ها و خروجی‌های مطلوب را دریافت می‌کند و به سمتی تغییر می‌کند که خروجی درست تقلید کند. یک رژیم یادگیری دیگر نیز وجود دارد که یادگیری تقویتی نامیده می‌شود. یکی از نمونه‌های برجسته، مدل‌هایی هستند که قهرمانان جهان را در شطرنج و بازی‌های شکست داده‌اند. در یادگیری تقویتی، مجموعهٔ ازپیش‌تعریف‌شده‌ای از ورودی‌ها یا خروجی‌ها وجود ندارد. مدل بر اساس نوعی سیاست ابتدایی در محیط رفتار می‌کند؛ این سیاست شاید در ابتدا منجر به تصمیم‌ها بسیار بدی شوند. هرچند، در مواجهه با محیط، و تجربه‌ی سود یا ضرر از یک تصمیم، مدل‌ها به‌صورت پس‌نگر وزن‌های خود را تغییر میدهند تا بتوانند پاداش بیشتری را از محیط دریافت کنند. برای مثال، در بازی شطرنج، مدل ممکن است تصمیم بگیرد یک سرباز را چهار خانه به جلو حرکت دهد. چون این حرکت غیرقانونی است، محیط مدل را با پاداش 10- تنبیه می‌کند و مهرهٔ اشتباه‌حرکت‌داده‌شده را به عقب برمی‌گرداند. با گذشت زمان، مدل خود را آموزش می‌دهد تا پاداشی را که از محیط دریافت می‌کند بیشینه کند.

این شکلی از یادگیری است که در آن مدل عاملیت دارد: با محیط تعامل می‌کند، و پس از تعامل، سیگنال‌هایی را گردآوری می‌کند تا سیاست بهتری پیدا کند و خود را به‌روزرسانی کند. حال اگر در یک بازی شطرنج، بین دو انسان، دید بازیکنان نسبت به چهرهٔ حریف را مسدود کنید، تنها واسطی که با آن تعامل دارند صفحهٔ شطرنج است. همین واسط برای مدل هوش مصنوعی نیز در دسترس است، و مدل می‌تواند با آن تعامل کند. بنابراین به نظر می‌رسد در این مثال خاص، مدل همان سطح از بدن‌مندی را دارد که انسان دارد. تجربه‌ی برنامه نویسی را در نظر بگیرید. اگر حس کیبورد، رنگ‌های روی صفحه و همهٔ احساسات دیگری ما را کنار بگذاریم، آنچه ما با آن در عمل تعامل می‌کنیم دنباله‌ای از کلمات است، و پاداش ما این است که آیا کد ما درست و سریع کار می‌کند یا نه. این میدان، تفاوتی میان مدل‌های هوشمند برای کد زنی و یک انسان برنامه نویس نیست.

سازگاری و کشف

مغز ما به‌طور سازگارانه خود را اصلاح می‌کند، یا بهتر بگوییم تغییر می‌دهد. با محیط جهان تعامل می‌کند، از رویدادهایی مانند آسیب دیدن، بهره بردن از چیزی، ترس، فقدان، شادی و غیره پاداش می‌گیرد، و سیم کشی خود را تغییر می‌دهد. این تغییر در راستای‌ست که احساسات خوب بیشتری به دست آورد. در بسیاری از مدل‌های هوش مصنوعی امروزی، مدل جسمی ثابت است و چیزی که تغییر می‌کند اطلاعات داده شده به مدل است. به عبارتی شما دقیقا از همان مدلی برای دستیار کدنویسی‌تان استفاده می‌کنید که من از آن برای صیقل دادن این متن استفاده می‌کنم. ChatGPT من همان ChatGPT شماست. این یعنی، دست‌کم برای مدل‌های تجاری، سیستم هیچگاه خود را بهبود نمی‌دهد.

با این حال، مدل‌ها زمانی می‌توانند سازگار شوند که نوعی سیگنال آزمون وجود داشته باشد. فرض کنید هدف نوشتن کدی باشد که یک وظیفه را در سریع‌ترین حالت ممکن انجام دهد. در اینجا، سیگنال از طریق اجرای کد و پروفایل کردن آن به دست می‌آید. این سیگنال هم مرجعی مدل هوشمند است هم مرجعی برای یک انسان برنامه نویس. مدل چگونه می‌تواند خود را ارتقا دهد؟ برای مثال یک رویکرد این است که مدل 10 راه‌حل تولید کند و تمام آنها را با سیگنال آزمون بسنجد. با داشتن این سیگنال مدل می‌تواند خود را به شکلی تغییر دهد که 5 راه‌حل برتر را با احتمال بالاتر و 5 راه‌حل بدتر را با احتمال پایین‌تر تولید کند. نکته‌ی مهم اینجاست که این سازگاری بر پایهٔ تعامل با محیط است. جالب اینجاست که در این مثال نیز مدل می‌تواند از انسان‌ها بهتر عمل کند.

نتیجه‌گیری

از دید من، پاسخ به این پرسش که آیا هوش مصنوعی (هوشواره) هوشمند است یا آیا روزی هوشمند خواهد شد، پرسشی دربارهٔ معماری است. باید پرسید که هوش مصنوعی به چه مؤلفه‌هایی دسترسی دارد؟ آیا فقط مجموعه‌ای ثابت از داده‌هاست، یا محیطی است که هوش مصنوعی می‌تواند در آن با واقعیت‌ها بازی کند و سیگنال‌های آزمون دریافت کند؟ گمان می‌کنم اگر تلاش کنیم این سوال را به هوش مصنوعی عمومی یا محدود تقلیل دهیم، فقط نتیجه‌گیری یکسانی را به تعویق انداخته‌ایم.

هوشمندی می‌توان در ظرف‌های مشخص (برای هدف‌های مشخص) تعریف کرد، و سپس می‌توان این ظرف را هرقدر لازم است گسترش داد تا اساساً همه‌چیز را در بر گیرد. برای هوشواره وقتی سیگنالی به‌اندازهٔ کافی خوب در دسترس باشد، سازگاری، تکامل، و بهینه‌سازی ممکن است. بنابراین، به قضاوت من، هوش مصنوعی همین حالا هم در حال هوشمند شدن است. اما در وضعیت امروز، این سازگاری و تکامل هزینهٔ بسیار بزرگی دارد.

منابع

[1] Jones, C. R., & Bergen, B. K. (2025). Large language models pass the Turing test. arXiv.

[2] Hilary Putnam. Psychological predicates. In W. H. Capitan and D. D. Merrill, editors, Art, Mind, and Religion, pages 37–48. University of Pittsburgh Press, 1967.

[3] John R. Searle. Minds, brains, and programs. Behavioral and Brain Sciences, 3(3):417–457, 1980. doi: 10.1017/S0140525X00005756.

[4] Stevan Harnad. The symbol grounding problem. Physica D: Nonlinear Phenomena, 42(1–3):335–346, 1990. doi: 10.1016/0167–2789(90)90087–6.

[5] Hubert L. Dreyfus. What Computers Can’t Do: A Critique of Artificial Reason. Harper and Row, New York, 1972.

[6] Shamir, A., Melamed, O., & BenShmuel, O. (2022). The dimpled manifold model of adversarial examples in machine learning. arXiv.

[7] Goodfellow, I. J., Shlens, J., & Szegedy, C. (2015). Explaining and harnessing adversarial examples. arXiv. https://doi.org/10.48550/arXiv.1412.6572

[8] Yuksekgonul, M., Koceja, D., Li, X., Bianchi, F., McCaleb, J., Wang, X., Kautz, J., Choi, Y., Zou, J., Guestrin, C., & Sun, Y. (2026). Learning to discover at test time. arXiv. https://doi.org/10.48550/arXiv.2601.16175