امکان حضور آگاهی پدیداری در هوش مصنوعی با استفاده از نظریه ی Panpsychism ؛ استدلال ها و نقد ها

مقدمه

تلاش برای شبیه سازی کارکرد ها و قابلیت های ذهن انسان در هوش مصنوعی دهه هاست که توسط مهندسان این حوزه پیگیری می شود و با پیشرفت هرچه بیشتر علوم شناختی و فناوری های علوم کامپیوتر ، پیشروی در این زمینه ادامه خواهد داشت . اما بحث در زمینه ی طراحی سیستم های هوشمند که دارای " آگاهی " نسبت به فعالیت خود باشند و صرفا به پیاده سازی جنبه های کارکردی انسان بسنده نکنند ( به عنوان هوش مصنوعی قوی از آن یاد می شود ) ، همواره با پیچیدگی زیادی همراه بوده و در دهه های گذشته نظریات فیزیکالیسم که عمدتا مبتنی بر کارکردگرایی بوده اند در جهت اثبات این امکان گام برداشته و نظریات دوگانه انگارانه عمدتا مبنی بر عدم امکان آگاهی در هوش مصنوعی استدلال کرده اند (1).

همه روان دار انگاری (Panpsychism) نظریه ای در باب رابطه ی ذهن-بدن است و ایده ی اصلی آن بنیادین بودن ویژگی ذهنمندی و آگاهی در طبیعت است . به این معنی که آگاهی صرفا منحصر به موجودات زنده نمی باشد بلکه همه موجودات و اشیا ( حتی ذرات فیزیکی بنیادی مانند الکترون ) دارای سطوح متفاوتی از آگاهی هستند . ادعای این نظریه مبتنی بر رفع اشکالات رایج در هر دو نظریه دوگانه انگاری و فیزیکالیسم است ؛ به این صورت که ذهنمندی امری بنیادین و غیر قابل تحویل است ( مشابه دوگانه انگاری) و همچنین جوهری مجزا و بیرون از جوهر ماده نیست ( مشابه فیزیکالیسم) . یکی از انگیزه های اصلی این نظریه پرسش راسل و ادینگتون بود مبنی بر اینکه علوم فیزیکی فقط ویژگی های ساختاری و عملکردی ماده را بررسی می کند و هیچگاه درباره ی ذات و ماهیت ماده صبحت نمی کند . اما از دیدگاه این نظریه ، ماهیت ماده همان انواع آگاهی در سطوح مختلف فیزیکی است . همچنین ریشه های این دیدگاه در تاریخ فلسفه بارها دیده شده است . مانند تالس در یونان که ویژگی حمل روح ( یا ذهن ) را به آهن ربا ها به خاطر توانایی آن ها در حرکت خود به خودی نسبت داده بود . همچنین دیدگاه اسپینوزا مبنی بر اینکه ذهن و ماده دو ویژگی از یک جوهر واحد هستند و یا نظریه مونادولوژی لایب نیتس که از وجود جوهر های بی شمار با ماهیت ذهنی و ترکیب این واحد های ذهنی در موجودات صحبت می کند (2).

این مقاله پس از تعریف آگاهی پدیداری و بررسی مختصر تاریخچه ی آگاهی در هوش مصنوعی ، به توضیح نظریه Panpsychism و امکان حضور آگاهی پدیداری در هوش مصنوعی با استفاده از این نظریه می پردازد و در انتها چالش های آن را بررسی می کند .

آگاهی پدیداری

تعریف آگاهی (consciousness ) و تبیین ماهیت آن یکی از مسائل اساسی در حوزه فلسفه ذهن و علوم شناختی است . بر سر تعریف دقیق مفهوم آگاهی اختلاف نظر زیادی وجود دارد اما به طور کلی می توان آن را این گونه تعریف کرد : یک قابلیت سابجکتیو و درونی برای شناخت تمام فعل و انفعالات ذهنی خود و همچنین تمام وقایع در محیط اطراف .یک دسته بندی رایج برای آگاهی ،که توسط ند بلاک عرضه شده است ، آگاهی را به دو نوع تقسیم می کند : آگاهی پدیداری و آگاهی دسترسی .

آگاهی دسترسی (Access consciousness ) حالتی از آگاهی است که مربوط به کارکرد های شناختی مغز است و جنبه ی " کارکردی" دارد اما فاقد جنبه ی " پدیداری" است . در واقع یک نوع آگاهی که حین دسترسی به اطلاعات ذهنی برای استفاده از کارکرد های شناختی ( مانند استدلال کردن و تصمیم گیری ) حضور دارد . این نوع آگاهی در حالات ذهنی موسوم به گرایشات گزاره ای ( propositional attitude ) ، که صرفا حاوی "محتوی" هستند نه " کیفیات پدیداری" ، حضور دارد (3) .

آگاهی پدیداری (Phenomenal consciousness ) همان تجربه ی درونی و سابجکتیو است که فرد در حالت " اول شخص " تجربه می کند . دسته ای از حالات ذهنی که این نوع آگاهی در آن حضور دارد ، حالات پدیداری نامیده می شود . یک حالت ذهنی در صورتی " جنبه ی پدیداری " دارد که بتوان این سوال را برای آن مطرح کرد : بودن در آن حالت چه حس و حالی دارد ؟ . ویژگی پدیداری ( phenomenal property ) برای هر حالت ذهنی پدیداری ، همان حس و حال بودن در آن حالت است که به آن کوالیا نیز می گویند . بسیاری از احساسات و عواطف و همچنین ادراکات حسی در انسان دارای کوالیا و شامل حالت پدیداری می شوند (4) .

فراهم آوردن تبیین مناسب برای توضیح اینکه هر کدام از ادراکات حسی و عواطف ما چگونه باعث ایجاد حالت منحصر به فرد کوالیا در ما می شوند و طبق چه مکانیسمی این تجربیات پدیداری از فعالیت نورون های ما حاصل می شود ، چالش اصلی فلسفه ذهن و علوم شناختی از ابتدا تا کنون بوده است . به همین دلیل از آگاهی پدیداری تحت عنوان " مسئله دشوار آگاهی" یاد می شود(3) .

تاریخچه ی آگاهی در هوش مصنوعی

بررسی امکان حضور آگاهی در هوش مصنوعی از نظریات کارکردگرایی مانند نظریه محاسباتی ذهن ( CTM ) شروع شده است . کارکردگرایی نظریه ای برای تبیین آگاهی است که توسط افرادی مانند فودور و پاتنم ارائه شد و ایده ی اولیه آن این بود که حالات ذهنی با جنبه ی کارکردی آن ها این همان هستند . یعنی آگاهی همان کارکرد های شناختی در مغز است و هر ماشینی که بتواند کارکرد های شناختی مغز انسان را شبیه سازی کند آگاه در نظر گرفته می شود . جری فودور برای حالات ذهنی گزاره ای که دارای حیث التفاتی هستند ، ایده ی بازنمود گرایی را مطرح کرده بود که به نظریه علّی فودور مشهور است ؛ به این صورت که مغز انسان دارای یک زبان به نام زبان فکر است که مانند زبان های دیگر قواعد دستوری دارد و علت هر مفهوم در ذهن انسان همان عاملی درجهان خارج است که زبان فکر به صورت یک نماد آن را بازنمایی می کند و با ترکیب این نماد های بازنمایی شده ، گزاره ها در ذهن ما تشکیل می شود (6). اما تلفیق نظریه علّی فودور با رویکرد های کارکردگرایی در حوزه ی حالات ذهنی پدیداری ، باعث پدید آمدن نظریه محاسباتی ذهن شد که یک تبیین فلسفی برای حضور آگاهی در هوش مصنوعی ارائه می کرد . آزمون مشهور تورینگ بر اساس نظریات کارکردگرایی برای تبیین امکان آگاه بودن یک ماشین توسط آلن تورینگ طراحی شد ؛ به این صورت که اگر یک ماشین کارکرد های شناختی و عملکردی یه انسان را به گونه ای پیاده سازی کند که امکان افتراق آن از انسان ممکن نباشد ، آن ماشین آگاه در نظر گرفته می شود (5).

اشکالات متعددی پس از طرح نظریه کارکردگرایی به آن وارد شد اما مهم ترین آن ها مسئله چارچوب ( frame problem ) از دریفوس و استدلال اتاق چینی از سرل بود . اتاق چینی بیان می کند که یک سیستم هوشمند نماد های داده شده را بر اساس قواعد دستوری ( syntax ) که برای آن برنامه ریزی شده ترکیب می کند، ولی معنای آن نماد ها را نمی داند . در حالی که ذهن انسان دارای خاصیت معنا شناسی ( semantic ) است . در واقع نظریات کارکرد گرایی امکان ایجاد آگاهی دسترسی و حالات ذهنی دارای حیث التفاتی را در هوش مصنوعی بدیهی در نظر می گرفتند ؛ اما استدلال جان سرل حتی امکان حیث التفاتی را نیز در هوش مصنوعی منتفی می دانست (7) . مسئله چارچوب نیز استدلال می کند که معرفت انسان نسبت به جهان از نوع دانش مهارتی یا know how است (که بر اساس زمینه ی تاریخی ، فرهنگی و تعامل بدنمند انسان با محیط به دست می آید ) ، نه معرفت گزاره ای. اما بازنمود گرایی فقط معرفت گزاره ای را تبیین می کند. بنابراین کارکرد های پیچیده شناختی انسان قابل کد گذاری در برنامه های هوشمند نیست (8)

پس از ایرادات متعدد نظریه کارکردگرایی ، نظریات پیوند گرایی برای تبیین حضور آگاهی در هوش مصنوعی جایگزین شدند . ایده ی اصلی این نظریات استفاده از الگوی شبکه های نورونی مغز ( به جای رویکرد محاسباتی صرف ) برای پیاده سازی کارکرد های مغز بود . اضافه شدن رویکرد یادگیری تقویتی در این نظریات باعث شد که سیستم های هوشمند الگوهای یادگیری در گذشته را حفظ کنند و هر مرتبه با دریافت بازخورد از محیط ، الگو های یادگیری را بهینه کنند و پاسخ خود را ارتقا دهند . پس از مطرح شدن بدنمندی(Embodiment) به عنوان مقوله ای تاثیر گذار در شناخت پدیداری انسان و نقش بدن در شکل گیری کارکرد های شناختی بر اساس تعامل دو طرفه با محیط ، امروزه اقبال مهندسان هوش مصنوعی به این رویکرد بیشتر شده است . در رویکرد های بدنمندی برای دریافت داده های حسی ورودی ، به جای بازنمایی آن ها به شکل پیچیده و در قالب دیجیتال ( داده های صفر و یک ) ، از روش های آنالوگ ( شبیه سازی اندام ها و دستگاه های حسی بدن انسان با همان ساختار و عملکرد ) برای دریافت داده ها استفاده می شود (9). امروزه رویکرد های پیوندگرایی و بدنمندی با یکدیگر تلفیق شده تا بتوان ربات های هوشمند با حداکثر شباهت در پیاده سازی کارکرد های شناختی انسان طراحی کرد . اما اشکالی که به این رویکرد ها وارد است ، این است که همچنان برای دستیابی به آگاهی در هوش مصنوعی بر کارکردگرایی تکیه دارند . بنابراین نقد های وارده به کارکردگرایی همچنان برای آن ها صادق است و در بهترین حالت می تواند آگاهی دسترسی را شبیه سازی کرده و آگاهی پدیداری همچنان مغفول می ماند.

دریفوس در قالب مسئله چارچوب پاسخ می دهد که انسان با استفاده از حس درونی خود که از تجربیات سابجکتیو حاصل می شود ، برای تعامل با محیط ، بین زمینه های ( context ) مختلف ارتباط بر قرار می کند. اما چنین رویکرد هایی در هوش مصنوعی صرفا باعث می شود که سیستم فقط در یک زمینه خاص نتایج را به یادگیری های گذشته تعمیم دهد و چون تجربه سابجکتیو ندارد ، نمی تواند آن موضوع را به زمینه های دیگر مرتبط کند(10) . سرل نیز در قالب استدلال اتاق چینی بیان می کند که حتی اگر یک ربات با شناخت بدنمند و پردازش داده ها به روش نورون های مغز انسان بتواند کارکرد های شناختی انسان را عینا پیاده کند ، باز هم در مرحله بازنمایی داده ها از قواعد دستوری داده شده ( برنامه نویسی شبکه های نورونی ) استفاده می کند و حتی اگر نظریه های کارکرد گرایی را ( مانند نظریه علی فودور) برای آگاهی دسترسی بپذیریم ، هنوز هم مسئله آگاهی پدیداری در چنین ربات هایی مغفول باقی می ماند (7).

همه روان دار انگاری : دسته بندی ها و استدلال ها

یک دسته بندی رایج برای Panpsychism ، سازنده(Constitutive) در برابر نوخاسته گرا ( Emergentist) است. نوع سازنده که شایعترین فرم آن Micropsychism است ، به این معنی است که آگاهی در سطوح ماکرو ( مانند انسان و حیوانات ) از ترکیب آگاهی های سطوح میکرو ( ذرات تشکیل دهنده موجودات ) ساخته می شود و مبتنی بر آن ها است . نوع نوخاسته گرا یا غیر سازنده نیز بیان می کند که آگاهی در هر دو سطح ماکرو و میکرو وجود دارد اما آگاهی ماکرو در واقع یک محصول یا ویژگی است که از تعامل سوژه های آگاه در سطوح میکرو پدید می آید اما مبتنی بر آنها نیست ( نوخاسته گرایی ) .

همچنین یک دسته بندی رایج دیگر ، تقابل Micropsychism با Cosmopsychism است . دیدگاه Micropsychism مبنی بر این است که روند پیدایش آگاهی یا تجربه از سطوح میکرو به سمت سطوح ماکرو در جریان است ؛ که می تواند از نوع سازنده و مبتنی بر سطوح پایین تر باشد و یا از نوع غیر سازنده و صرفا یک محصول نوخاسته از تعامل آگاهی های سطوح میکرو باشد . Cosmopsychism که مبتنی بر دیدگاه "یگانه انگاری اولویت" از جاناتان شافنر است ، بیان می کند که واقعیات در سطوح کوچک مبتنی بر واقعیات در سطوح کلان هستند . به طور مثال اگر خانه های یک جدول وجود دارد به دلیل وجود خود جدول است ، بنابراین آگاهی در انسان و حیوانات نتیجه وجود یک آگاهی کلان در جهان هستی است (2).

از میان استدلال های مطرح برای نظریه همه روان دار انگاری دو استدلال در مرکزیت آن ها قرار می گیرند . استدلال "Anti-Emergence" از توماس نیگل بر علیه نظریه نوخاسته گرایی مطرح شده است. این استدلال بیان می کند که آگاهی صرفا نمی تواند یک ویژگی برخاسته از تعامل سطحی از پیچیدگی فیزیکی در ماده باشد ، بدون اینکه خود ماده به صورت بنیادین دارای ویژگی آگاهی نباشد. استدلال نیگل برای آگاهی در ارگانیسم های زنده به این صورت است(2) :

1. تمام اجزای ارگانیسم های زنده از جوهر ماده و ساختار فیزیکی تشکیل شده است

2. آگاهی یک ویژگی بنیادی در همه ی ارگانیسم های زنده است

3. همه ی ویژگی های یک ارگانیسم زنده مبتنی بر ویژگی های فیزیکی اجزای آن است

4. چون ویژگی آگاهی جنبه ی غیر فیزیکی دارد ، بنابراین نمی تواند از اجزای فیزیکی یک ارگانیسم منشا بگیرد مگر اینکه خود اجزای فیزیکی نیز دارای ویژگی آگاهی باشند

همچنین استدلال دیوید چالمرز که از روش دیالکتیک هگلی به این صورت استفاده می کند که در موضوع آگاهی فیزیکالیسم تز ، دوگانه انگاری آنتی تز و در نتیجه Panpsychism سنتز این دو نظریه محسوب می شود . طبق فیزیکالیسم هر چیزی جوهر فیزیکی دارد و طبق دوگانه انگاری تنها جوهر این جهان جوهر فیزیکی نیست و آن چیز هایی که فیزیکی نیستند از جوهر ذهن هستند . بنابراین سنتز این دو دیدگاه این گونه می شود که هر چیزی در جهان جوهر فیزیکی دارد و در عین حال دارای ویژگی ذهن ( آگاهی) است(11) .

تببین آگاهی پدیداری در هوش مصنوعی با استفاده از نظریه Constitutive Micropsychism

1) اثبات آنالوگ بودن فرآیند های نورونی ، آگاهی پدیداری و نحوه ارتباط آن ها با یکدیگر : مفهوم آنالوگ به معنای "بازنمایی مقادیر فیزیکی به شکل کمیت های فیزیکی متفاوت به جای بازنمایی آن ها در قالب اعداد " است که در مقابل مفهوم دیجیتال به معنای " بازنمایی مقادیر فیزیکی در قالب محاسبات پیچیده عددی که در کامپیوتر های دیجیتال بر اساس اعداد باینری صفر و یک است " قرار می گیرد(12) . در واقع بازنمایی دیجیتال یک بازنمایی مرتبه دوم و بازنمایی آنالوگ یک بازنمایی مرتبه اول است . شواهد اخیر در علوم اعصاب نشان می دهد که دستگاه عصبی انسان مشابه یک دستگاه آنالوگ عمل می کند. زیرا تغییر در محرک های فیزیکی ، باعث تغییر در مقادیر فیزیکی بازنمایی آن ها می شود . به طور مثال افزایش شدت صدا باعث افزایش سرعت شلیک نورون های حلزون گوش می شود(13) . بنابراین می توان نتیجه گرفت که آگاهی پدیداری بر بازنمایی های آنالوگ در مغز منطبق است ؛ بنابراین می توان حداقل برخی از جنبه های آن را دارای ویژگی آنالوگ دانست . برای مثال تجربه ی پدیداری در مشاهده رنگ قرمز به صورت خاموش-روشن ( صفر-یک) نیست ؛ بلکه طیفی از ویژگی های شدت روشنایی ، غلظت رنگ و ... وجود دارد . و یا در تجربه ی پدیداری شنیدن صدا طیفی از مقادیر شدت صوت ، فرکانس و تون صدا برای ما بازنمایی می شود (14).

2) استدلال Panpsychism برای بنیادین بودن ویژگی آگاهی پدیداری در ماهیت جهان فیزیکی 3 گزاره ی اصلی دارد :

1. وجود آگاهی پدیداری قابل قبول است

2. این آگاهی غیر قابل تقلیل به ساختار ها و عملکرد های فیزیکی است

3. بنابراین آگاهی پدیداری یک ویژگی بنیادین کیفی و غیر ساختاری در جهان ماده است (15)

بنابراین با توجه به این استدلال و استدلال مرحله قبل می توان نتیجه گرفت که تجربیات پدیداری در سطوح ماکرو ( آگاهی پدیداری در انسان )، از ترکیب تجربیات پدیداری در مقادیر فیزیکی میکرو ( که به روش آنالوگ حاصل می شود ) به دست می آید . در واقع یک رابطه آنالوگ سه طرفه بین محرک های فیزیکی ، بازنمایی های عصبی و تجربیات پدیداری در سطوح میکرو وجود دارد که در نهایت باعث پدید آمدن تجربیات پدیداری ماکرو می شود (14).

3) اگر این فرض که تجربیات پدیداری در سطوح میکرو از رابطه آنالوگ سه طرفه ( که در بالا ذکر شد ) پدید می آید و همچنین تجربیات پدیداری ماکرو مبتنی بر تجربیات پدیداری میکرو باشند ، بنابراین می توان نتیجه گرفت که هوش مصنوعی هایی که بر اساس بازنمایی های "دیجیتال" عمل می کنند ، نمی توانند بدون بازنمایی های عصبی آنالوگ تجربیات پدیداری در سطوح میکرو را پدید بیاورند. برای مثال شبکه های عصبی مصنوعی که امروزه در توسعه AI رایج شده اند را در نظر بگیرید . با اینکه این شبکه ها عملکرد نورون هارا در سطح نرم افزار دقیقا اجرا می کنند ؛ اما بازنمایی نورون ها از محرک های فیزیکی را بر اساس سیگنال های الکرونیکی on-off ( بازنمایی دیجیتال) انجام می دهند ؛ نه بر اساس کمیت های فیزیکی واقعی ( همانطور که در نورون های مغز روی می دهد) . تغییرات در کیفیات پدیداری ، ناشی از تغییرات در کمیت های فیزیکی واقعی در بازنمایی آنالوگ نورون ها است ؛ و بازنمایی های دیجیتال صرفا تغییرات محرک های فیزیکی را به صورت عدد های باینری نشان می دهد. بنابراین اگر یک هوش مصنوعی دیجیتال بتواند حالات پدیداری را در قالب اعداد بازنمایی کند و دقیقا مانند یک انسان واقعی به موقعیت هایی که دارای کیفیات پدیداری هستند پاسخ دهد ، همچنان فاقد "آگاهی پدیداری" از آن موقعیت است . برخی ادعا می کنند که اگر بازنمایی های عددی دیجیتالی را به کمیت های فیزیکی تبدیل کنیم ، می توان مانند بازنمایی آنالوگ محرک های حسی در مغز عمل کرد . برای مثال یک ربات دیجیتال که بر پایه 4 عمل می کند ، یعنی چهار عدد مانند 1و2و3و4 ، و هرکدام از این اعداد را معادل یک ولتاژ خاص در نظر بگیریم ( مثلا ولتاژ های 10و50و100و200 ). در این حالت با تغییر شدت نور در محیط ، صرفا چهار ولتاژ از کوچک به بزرگ برای بازنمایی شدت نور وجود دارد و نمی تواند مانند بازنمایی آنالوگ ، طیف پیوسته از تغییرات محرک های فیزیکی را عینا در کمیت های فیزیکی دیگر نشان دهد . بنابراین در این حالت نیز کیفیات پدیداری مرتبط با شدت نور که متناسب با مقادیر فیزیکی میکرو است ، صرفا می تواند 4 حالت به خود بگیرد که با تعریف آگاهی پدیداری فاصله ی زیادی دارد(14) .

نقد ها و چالش ها

به طور کلی 2 نقد مهم به نظریه Panpsychism برای تبیین آگاهی پدیداری در هوش مصنوعی وارد است که حتی اگر تلاش این نظریه برای پیاده سازی آگاهی پدیداری در هوش مصنوعی کاملا موفق باشد ، همچنان پاسخی برای این دو مسئله مهم ارائه نداده است :

1) مسئله ترکیب ( combination problem ) : این نقد در واقع اساسی ترین چالشی است که نظریه Panpsychism با آن رو به رو است اما بیشتر برای Constitutive Micropsychism صادق است . این مسئله بیان می کند که چگونه سوژه های آگاه کوچک ( تجربیات پدیداری در ساختار های فیزیکی بنیادی ) گرد هم می آیند و سوژه های آگاه بزرگ ( تجربیات پدیداری در سطوح ماکرو ) را پدید می آورند . و همچنین اگر از ترکیب آگاهی های پدیداری در سطوح میکرو ، آگاهی پدیداری در سطوح ماکرو پدید می آید ؛ سرنوشت آگاهی های ذرات فیزیکی میکرو چی می شود ؟ زیرا ما صرفا از تجربیات پدیداری خودمان ( که در سطح ماکرو است ) آگاه هستیم و هیچ درکی از تجربیات پدیداری در ذرات بنیادی نداریم . البته برخی صاحبنظران پاسخ هایی برای این مسئله ارائه داده اند ، مانند پاسخ Phenomenal Bondingاز فیلیپ گاف ، اما همچنان هیچ اتفاق نظری برای پاسخ مناسب به این مسئله در میان دانشمندان فلسفه ذهن ، علوم شناختی و علوم اعصاب وجود ندارد(2)و(16) .

2) عدم ارائه پاسخ برای مسئله شکاف تبیینی : شکاف تبیینی که از مهمترین مسائل فلسفه ذهن است ، بیان می کند که طی چه فرآیندی میان حالات ذهنی که فاقد ویژگی های فیزیکی ( مانند مکانمندی) هستند و ساختار های عملکردی مغز انسان مانند نورون ها که از جوهر ماده و دارای ویژگی های فیزیکی هستند ؛ ارتباط بر قرار می شود . این مسئله در نظریه Panpsychism نیز صادق است . اینکه چگونه ذرات بنیادی و ساختار های فیزیکی میکرو دارای آگاهی پدیداری هستند و چگونه از طریق بازنمایی کمیت های فیزیکی در در سیستم عصبی ، تجربیات پدیداری متناظر با آن حالت فیزیکی در سطوح میکرو پدید می آید(17) .

نتیجه گیری

تبیین آگاهی پدیداری در هوش مصنوعی را شاید بتوان آخرین و در عین حال سخت ترین مرحله در رسیدن به آگاهی در این فناوری نوظهور و تعیین کننده در نظر گرفت . با مطالعه ی تاریخچه ی تلاش های چند دهه گذشته توسط نظریه پردازان و مهندسان هوش مصنوعی و فلاسفه ذهن برای تبیین آگاهی در هوش مصنوعی به ما نشان می دهد که نظریات فیزیکالیستی رایج ( و در صدر آن ها کارکردگرایی) حتی با کمک گرفتن از رویکرد های نوین پیوندگرایی و بدنمندی ، در پیاده سازی کامل تجربیات پدیداری در ربات های هوشمند ناتوان بوده اند . از طرفی نظریه نسبتا جدید Panpsychism در دو دهه ی اخیر بسیار مورد توجه فیلسوفان ذهن و دانشمندان علوم شناختی قرار گرفته است و استدلال های قدرتمندی برای تبیین چند لایه ای آگاهی در جهان هستی ارائه کرده است . با توجه به شواهد زیادی که اخیرا در پژوهش های علوم اعصاب مبنی بر امکان آنالوگ بودن ساختار سیستم عصبی انسان ارائه شده است ؛ با استفاده از رویکرد Constitutive Micropsychism مبنی بر ابتنا تجربیات پدیداری ماکرو بر تجربیات پدیداری در سطوح فیزیکی میکرو و همچنین پدید آمدن تجربیات پدیداری میکرو از بازنمایی های فیزیکی در نورون های مغز انسان ، می توان امکان حضور آگاهی پدیداری را در هوش مصنوعی های آنالوگ ممکن دانست . البته با فرض صحیح بودن این نظریه ، همچنان چالش های اساسی مسئله ترکیب و شکاف تبیینی برای این نظریه باقی خواهد ماند و بدون پاسخ مناسب به این چالش ها در آینده ، نمی توان این تبیین را یک تبیین نظری قوی در نظر گرفت .

منابع

1. Garrido Merchán, E.C.; Lumbreras, S. Can Computational Intelligence Model Phenomenal Consciousness? Philosophies 2023, 8, 70.

2. Goff, Philip, William Seager, and Sean Allen-Hermanson, "Panpsychism", The Stanford Encyclopedia of Philosophy (Summer 2022 Edition), Edward N. Zalta (ed.), URL = <https://plato.stanford.edu/archives/sum2022/entries/panpsychism/>.

3. Barkasi M, 2021,Phenomenal consciousness: Is there something it’s like to be an AI?

4. Nagel, T., 1974, "What is it like to be a bat?", The Philosophical Review, Vol.83, No. 4., pp. 435-450.

5. Holland O, Gamez D (2009) Artificial intelligence and consciousness. In: Banks WP (ed) Encyclopedia of consciousness. Academic Press

6. Fodor, J., & Pylyshyn, Z., 1988, “Connectionism and Cognitive Architecture: A Critical Analysis,” Cognition, No. 28, pp. 3–71.

7. Searl, J., 1984, Minds, Brains, and Science, Cambridge, MA: Harvard University Press

8. Dreyfus, H., 1999, What Computers Still Can't Do, MIT Press

9. Boden, M., 2014, GOFAI, In: Franklin, Keith & Ramsy, William (eds.), The Cambridge Handbook of Artificial Intelligence, Cambridge University Press.

10. Dreyfus, H., 1999, What Computers Still Can't Do, MIT Press.

11. Chalmers, David J. (2015). Panpsychism and Panprotopsychism. In Torin Alter and Yujin Nagasawa (Eds.), (246–76). Oxford University Press.

12. Beck, Jacob (2019). Perception is Analog: The Argument from Weber’s Law. The Journal of Philosophy 116(6): 319-49.

13. Chiang, Chia-Chu; Shivacharan, Rajat S.; Wei, Xile; Gonzales-Reyes, Luis E.; Durand, Dominique M. (2018). Slow Periodic Activity in the Longitudinal Hippocampal Slice Can Self-Propagate Non-Synaptically by a Mechanism Consistent with Ephatic Coupling. The Journal of Physiology 597(1).

14. Arvan, M., & Maley, C. J. (2022). Panpsychism and AI consciousness. Synthese, 200(3), 244.

15. Chalmers, David J. (2013). Panpsychism and Panprotopsychism. Amherst Lecture in Philosophy.

16. Goff, Philip, 'The Phenomenal Bonding Solution to the Combination Problem', in Godehard Bruntrup, and Ludwig Jaskolla (eds), Panpsychism: Contemporary Perspectives, Philosophy of Mind Series (New York, 2016; online edn, Oxford Academic, 20 Oct. 2016),

17. Van Gulick, Robert, "Consciousness", The Stanford Encyclopedia of Philosophy (Winter 2022 Edition), Edward N. Zalta & Uri Nodelman (eds.), URL = <https://plato.stanford.edu/archives/win2022/entries/consciousness/>.