Dualism și reducționism în testul lui Turing pentru inteligența artificială

Un sistem  de inteligență artificială (IA) generic este folosit pentru a sublinia că, indiferent de aplicație, sistemul trebuie să interpreteze intrările din mediul său în funcție de un context actual și că informația trebuie să fie păstrată într-o reprezentare internă (RI). Acea RI trebuie să poată fi procesată de către „rezolvatorul de probleme” (un termen mai puțin specific decât „motor de inferență”), care trebuie să aibă acces la „cunoștințe”, care, la rândul său, trebuie să fie păstrat într-o RI compatibilă.

Înțelegerea limbajului natural este cheia discuțiilor despre tehnicile IA. Limbajul este strâns legat de cunoaștere și exemplifica multe dintre problemele întâlnite în toate ramurile IA. Unele dintre aplicațiile pentru mașini care pot „înțelege” propriile noastre limbi includ: „interfață inteligentă” pentru software-ul ostil utilizatorului, și sisteme de traducere asistată de computer.

Abordările pentru înțelegerea mașinii sunt grupate în trei clase, care, în ordinea crescătoare a complexității, sunt: recunoașterea cadrelor sintactice/cuvânt cheie – abordarea ELIZA; procesare sintactică sau bazată pe gramatică; și abordarea bazată pe cunoștințe. Gramaticile fără context (GFC) sunt cele mai puternice gramatici pentru care pot fi construite analizatoare practice. Începând cu o GDC foarte simplă pentru un subset de limbă, nivelul de limbă care poate fi descris/recunoscut este îmbunătățit treptat prin adăugarea mai multor reguli și caracteristici sintactice și semantice. Incapacitatea GFCla-urilor de a identifica echivalența semantică în propoziții distincte din punct de vedere sintactic duce la gramatici transformaționale și în gramatica rețelei de tranziție augmentată la fel de puternică, dar mai manevrabilă din punct de vedere computațional.

Abordarea bazată pe cunoștințe implic teoria dependenței conceptuale a lui Schank, ale cărei avantaje devin evidente atunci când se încearcă procesarea de mai multe propoziții.

Recunoașterea vorbirii implică înțelegerea limbajului cu problema suplimentară de identificare a cuvintelor, o problemă care este remarcabil de dificilă pentru vorbirea continuă.

Pot mașinile să gândească? Rene Descartes a pus primul întrebarea în secolul al XVII-lea și a susținut răspunsul negativ. [Descartes pp. 41f] Mulți oameni și majoritatea studenților vor răspunde într-unul din două moduri. Pe de o parte, există răspunsul dualist al lui Descartes, care este că o mașină nu poate capta niciodată esența minții, care este sufletul sau o astfel de entitate. Pe de altă parte, mulți sunt înclinați să susțină un răspuns strict reducționist la întrebare, răspunzând că toate procesele inteligente se reduc la calcul, ceea ce mașinile o fac într-adevăr destul de bine și, prin urmare, în teorie, probabil, și noi cât de bine putem. Ambele poziții sunt capabile de argumentare, dar scopul nostru este să dezamorsăm abordarea stridentă și îngustă și să informam orientările inițiale cu o înțelegere rezonabilă a problemelor semnificative.

Se întâmplă că scopul nostru este servit perfect de două eseuri celebre, unul al lui Alan Turing și celălalt al lui John Searle, care sunt direct relevante pentru întrebarea dacă mașinile gândesc. Eseul lui Turing din 1950 „Computing Machinery and Intelligence” oferă o soluție simplă și incisivă la nodul gordian reprezentat de întrebarea dacă mașinile gândesc. [Turing] În esență, argumentul său se implică următorul lucru: dacă nu putem detecta diferența dintre comportamentul lingvistic al unei mașini și cel al unei ființe umane obișnuite, în ceea ce privește conținutul unei astfel de expresii lingvistice, atunci nu există niciun motiv să nu să considere mașina ca fiind inteligentă din punct de vedere uman. Turing elaborează un scenariu minim elaborat pentru a testa comparația. Esența testului Turing este că se bazează în totalitate pe capacitatea noastră comună de a detecta inteligența unul în celălalt prin intermediul unei conversații obișnuite. Atractia soluției lui Turing constă în evitarea complexităților teoretice ale inteligenței. Perspectiva sa se ridică la aceasta: dacă suntem intrigați sau tulburați de posibilitatea ca mașinile să gândească în modul în care gândim noi, atunci cea mai evidentă măsură a unei astfel de gândiri și inteligență relevantă pentru a aborda adevărata întrebare este tocmai acel concept care stă la baza curiozității și îngrijorării noastre, iar aceasta se traduce într-o simplă invocare prin experiment a modului în care recunoaștem inteligența la semenii noștri, și așa cum o facem spontan și regulat. Întrebarea este așadar: cum recunoaște cineva vorbirea inteligentă, când o întâlnim, să zicem, pe stradă sau oriunde? Întrebarea este înșelător de simplă.

În plus, interesant în legătură cu eseul lui Turing este examinarea extinsă și respingerea unor obiecții la Testul Turing. Lucrarea lui Turing și obiecțiile pe care le abordează în aceasta derivă din discuții formale și informale cu filosofi, oameni de știință și alții, desfășurate timp de câteva luni în 1949 la Universitatea Manchester. [Vezi Hodges p. 413 și urm.]

Turing își arată clar preferințele filozofice în formularea testului Turing, iar selecția sa de obiecții semnificative și răspunsurile sale la acestea coroborează o orientare consistentă. Poziția sa este materialistă și ușor de catalogat drept behaviorism filozofic, care afirmă pur și simplu că ceea ce pretindem că știm despre stările mentale și inteligență trebuie să fie observabil în ceea ce privește influențele unui mediu și comportamentul rezultat al subiectului. De aici apar răspunsurile lui Turing la obiecțiile că unei mașini i-ar lipsi conștiința, creativitatea, emoția, un suflet și așa mai departe: dacă este imposibil, prin observarea obiectivă a comportamentului lingvistic al subiectului, să asistăm la prezența unui ingredient special care va distinge mentalitatea umană de cea de mașină, atunci semnificația ingredientului care lipsește este cel puțin problematică. Cu alte cuvinte, dacă nu poți observa diferența conversând cu subiectul, atunci nu contează.

Ceea ce este deosebit de eficient din punct de vedere pedagogic în abordarea lui Turing este claritatea soluției. În virtutea acestui fapt, supozițiile generale cu privire la înclinațiile noastre dualiste sau reducționiste sunt aduse imediat în prim-plan. Reducționistul va găsi mângâiere în abordarea lui Turing, dar va recunoaște și responsabilitatea de a supune problema unui test empiric, un test ghidat de intuițiile noastre imediate referitoare la propria noastră inteligență și mentalitate și nu doar o extensie logică a unui presupus program științific. Adică, dacă se dovedește că putem concepe programul potrivit de intervievare a unor presupuși subiecți umani, astfel încât să garantăm că putem face diferența aproape tot timpul între om și mașină, atunci poziția reducționistă pe care o expune Turing este infirmată. Pe de altă parte, dualistul este presat să explice diferența dintre materie și minte, dintre mașină și om, astfel încât să facă diferența. Cum detectăm inteligența, sau prezența unui suflet, sau orice altceva, unul în celălalt? Dacă o mașină va trece o metodă echivalentă de detecție, atunci ce sens are să spui că a avea un suflet, sau oricum s-ar numi el, face o diferență reală?

Eseul lui Turing despre inteligența mașinilor s-a bucurat de mențiuni frecvente de la prima sa publicare în urmă cu patruzeci de ani. Prezentarea clară a problemei și o metodă presupusă de soluție îl fac disponibil unui public larg și, de asemenea, inspiră un răspuns imediat.

Referințe

• Descartes, Rene (1637) Discourse on Method, in ‘Discourse on Method’ and ‘Meditations’, trans. by Laurence J. Lafleur. Indianapolis: Bobbs-Merrill, 1960.
• Hodges, Andrew Alan Turing: The Enigma. New York: Simon and Schuster, 1983.
• Turing, Alan M. “Computing Machinery and Intelligence,” Mind, October, 1950, 59:433-460. Reprinted in Boden (1990) pp. 4066.

Sursa: Paul A. Luker și Dennis Rothermel, The Philosophy of Artificial Intelligence: a general studies course with particular benefits to computer science majors. © 1994 ACM. Traducere și adaptare de Nicolae Sfetcu, cu permisiunea Association for Computing Machinery pentru utilizare non-comercială