Miért nem lehetnek tudatosak a mesterséges intelligencia modellek?

A Transformer modellek alapvető architektúrája

A jelenlegi mesterséges intelligencia rendszerek, különösen a nagy nyelvi modellek, mint például a GPT és a ChatGPT, az úgynevezett Transformer architektúrán alapulnak. Ez a Google kutatói által 2017-ben kifejlesztett speciális matematikai adatfeldolgozási forma. Ez az architektúra teljes mértékben numerikus számítások és statisztikai minták alapján működik, anélkül, hogy mélyebben megértené a feldolgozott tartalmat.

Egy transzformátor modell egymásra helyezett kódoló és dekódoló rétegekből áll, amelyek együttműködve dolgozzák fel a bemeneti adatokat. A kódoló matematikai reprezentációkká alakítja a bemeneti adatokat, míg a dekóder ezeket az információkat a kívánt kimenetté alakítja. Mindkét komponens összetett matematikai műveleteket, például mátrixszorzásokat és nemlineáris aktivációs függvényeket használ a feladatai végrehajtásához.

Hogyan működnek az önfigyelő mechanizmusok

A Transformer architektúra középpontjában az önfigyelő mechanizmus áll. Ez lehetővé teszi a modell számára, hogy különböző súlyokat rendeljen egy bemeneti sorozat különböző részeihez. A mechanizmus vektorok közötti skaláris szorzatokat számít ki a sorozaton belüli függőségi struktúrák modellezéséhez. Ezek a súlyok azonban tisztán numerikus együtthatók, amelyek statisztikai szabályosságokat ragadnak meg a betanítási adatokban.

A „figyelem” kifejezés ebben az összefüggésben pusztán metaforikus. Nem tudatos figyelemről van szó az emberi értelemben, hanem matematikai számításokról, amelyek meghatározzák, hogy a bemenet mely részeinek kell nagyobb súlyt adni a kimenet generálásakor. Ezek a számítások determinisztikus szabályokat követnek, és tanult súlymátrixokon alapulnak.

Token feldolgozási és beágyazási terek

A feldolgozás azzal kezdődik, hogy a szöveget úgynevezett tokenekké, azaz számértékegységekké alakítjuk. Ezeket a tokeneket ezután nagy dimenziós vektorterekbe, úgynevezett beágyazásokba ágyazzuk be. A beágyazás egy matematikai reprezentáció, amely minden egyes szót vagy szövegszakaszt egy pontként ábrázol egy többdimenziós térben.

Egy token pozícióját ebben a beágyazási térben optimalizálási folyamatok határozzák meg, amelyek célja a modell predikciós pontosságának javítása. A beágyazási térben való közelség a tanulókorpuszban lévő statisztikai hasonlóságokat tükrözi, de nem a valódi szemantikai jelentést. Ezek a beágyazások csupán koordináták egy matematikai térben, amelynek értékeit gépi tanulás optimalizálja.

A mesterséges intelligencia általi feldolgozás matematikai alapjai

Paraméterek és optimalizálás

A modern nyelvi modellek több milliárd paramétert tartalmaznak. Ezek a paraméterek numerikus értékek, amelyeket gradiens süllyesztéssel módosítanak a veszteségfüggvények minimalizálása érdekében. A gradiens süllyesztés egy matematikai optimalizálási technika, amely szisztematikusan megváltoztatja a modell paramétereit a teljesítményének javítása érdekében.

A folyamat hasonlóan működik, mint amikor sűrű ködben túrázunk egy hegyvonulatban. A modell fokozatosan közelíti meg az optimális pontot a veszteségfüggvény meredekségének kiszámításával és az ellenkező irányba történő mozgással. Ezek a paraméterek kizárólag optimalizálási együtthatókként szolgálnak matematikai függvényekhez, és nincs tudatos jelentésük vagy szándékuk.

Megerősítésen alapuló tanulás emberi visszajelzésekből

A mesterséges intelligencia technológiájának egyik fontos fejlesztése a megerősítéses tanulás az emberi visszajelzésekből. Ez a módszer az emberi preferenciákat numerikus jutalomjelekké alakítja át. A modell úgy módosítja a paramétereit, hogy növelje az emberek által preferált kimenetek valószínűségét.

Az RLHF jellemzően három lépésből áll: Először a modellt felügyelt tanulással előképezik. Ezután emberi visszajelzéseket gyűjtenek egy jutalmazási modell betanításához. Végül az eredeti modellt megerősítéses tanulással optimalizálják, hogy maximalizálják a jutalmazási modell által előre jelzett preferenciákat. Ez a teljes folyamat tisztán matematikai, és nem jár tudatos döntéshozatallal.

Softmax transzformáció és valószínűségeloszlások

A feldolgozás végén a softmax függvény a nyers értékeket valószínűségi eloszlásokká alakítja. A softmax függvény matematikai képlete: Softmax(x_i) = e^(x_i) / Σ(e^(x_j)). Ez a függvény egy numerikus értékekből álló vektort valószínűségi vektorrá alakít, amelynek összege egy.

A következő tokent úgy választjuk ki, hogy mintát veszünk ebből a valószínűségi eloszlásból, vagy az argmax módszerrel. Ez a módszer egy tisztán statisztikai szabály, tudatos döntéshozatal nélkül. A softmax függvény egyszerűen lehetővé teszi a modell számára, hogy a kimenetét értelmezhető formában jelenítse meg, bármilyen tudatosság vagy megértés nélkül.

A tudat filozófiai problémája

A tudat definíciója és tulajdonságai

A tudat magában foglalja az egyén által megtapasztalt összes állapotot. Magában foglalja mind a tapasztalatok összességét, mind a tudatot, mint ezen tapasztalatok közvetlen tudatosságának egy speciális fajtáját. A filozófusok és az idegtudósok különbséget tesznek a tudat különböző aspektusai között, amelyek közül a fenomenális tudat és az access tudat különösen fontos.

A fenomenális tudatosság a mentális állapotok szubjektív tapasztalati minőségére utal. Ez alkotja egy adott mentális állapotban való létet – azt, ahogyan a tapasztaló szubjektum érzi magát. Ezeket a szubjektív tapasztalati minőségeket kváliáknak nevezzük, és közvetlenül csak az érzékelő szubjektum számára hozzáférhetők.

Az intencionalitás, mint a mentális funkciók egyik jellemzője

Az intencionalitás a mentális állapotok azon képességére utal, hogy valamire utaljanak. Franz Brentano vezette be ezt a kifejezést a modern filozófiába, és az elme jellemző tulajdonságának tekintette. Az intencionalitás a tudat irányított tulajdonsága – az a tény, hogy a tudat mindig valaminek a tudata.

Az intencionális állapotoknak van tartalmuk, függetlenül attól, hogy létezik-e tárgyuk. Egy személynek lehetnek hiedelmei nem létező tárgyakról, vagy vágyai elérhetetlen célokra. Ez a tulajdonság különbözteti meg a mentális jelenségeket a tisztán fizikai folyamatoktól, amelyek kizárólag kauzális törvényeket követnek.

A tudatosság nehéz problémája

David Chalmers a „tudat nehéz problémáját” úgy fogalmazta meg, mint azt a kérdést, hogy az agyban zajló fizikai folyamatok miért és hogyan vezetnek szubjektív élményhez. Ez a probléma kategorikusan különbözik a tudatkutatás „könnyű problémáitól”, amelyek olyan funkcionális aspektusokat érintenek, mint a megkülönböztetés, az információintegráció és a viselkedésszabályozás.

A nehéz probléma az, hogy megmagyarázzuk, miért párosul e funkciók végrehajtása a tapasztalattal. Még ha minden lényeges funkcionális tényt meg is magyarázunk, a további kérdés továbbra is fennáll: Miért kapcsolódik e funkciók végrehajtása a tapasztalathoz? Ez a kérdés látszólag dacol minden mechanisztikus vagy viselkedési magyarázattal.

Idegtudományi eredmények a tudatról

A tudat idegi korrelátumai

Az idegtudomány a tudatosság neurális korrelátumainak, röviden NCC-knek az azonosítására törekszik. Ezeket az adott tudatos észleléshez elegendő legkisebb neurális eseményegységként definiálják. Az NCC-k olyan neurális tevékenységek, állapotok vagy alrendszerek, amelyek közvetlenül korrelálnak a tudattal.

Olyan kutatók, mint Wolf Singer és Andreas Engel, kimutatták, hogy az idegsejtcsoportok időbeli szinkronizált kisülései léteznek az állati és emberi agyban. Ez az időbeli korreláció kulcsfontosságú lehet a tudatosság kialakulásában. A hipotézis azon a feltételezésen alapul, hogy az időbeli kötődési mechanizmusok négy agyi funkcióban vesznek részt: a tudatosságban, az érzékszervi integrációban, a figyelmi szelekcióban és a munkamemóriában.

A tudatos folyamatok biológiai alapjai

A tudat működése az agykéreg megfelelő oxigén- és cukorellátásától, valamint az asszociatív kéreg neuronjainak kellően erős aktivációjától függ. Ezek a biológiai előfeltételek azt mutatják, hogy a tudat nem pusztán elvont tulajdonság, hanem konkrét fizikai alapjai vannak.

A kisagy háromszor annyi neuront tartalmaz, mint az agykéreg, mégis súlyos károsodás esetén is nagyrészt ép marad a tudat. Ez arra utal, hogy nem a neuronok puszta száma a döntő, hanem inkább azok specifikus szerveződése és összekapcsolódása bizonyos agyterületeken.

A digitális átalakulás új dimenziója a „menedzselt MI” (mesterséges intelligencia) segítségével – Platform és B2B megoldás | Xpert Consulting - Kép: Xpert.Digital

Itt megtudhatja, hogyan valósíthat meg vállalata testreszabott mesterséges intelligencia megoldásokat gyorsan, biztonságosan és magas belépési korlátok nélkül.

Egy menedzselt MI platform egy átfogó, gondtalan csomag a mesterséges intelligencia területén. Ahelyett, hogy komplex technológiával, drága infrastruktúrával és hosszadalmas fejlesztési folyamatokkal kellene bajlódnia, egy specializált partnertől kap egy az Ön igényeire szabott, kulcsrakész megoldást – gyakran néhány napon belül.

A legfontosabb előnyök áttekintése:

⚡ Gyors megvalósítás: Az ötlettől a gyakorlati alkalmazásig napok, nem hónapok alatt. Gyakorlati megoldásokat szállítunk, amelyek azonnal értéket teremtenek.

🔒 Maximális adatbiztonság: Érzékeny adatai Önnél maradnak. Garantáljuk a biztonságos és megfelelő feldolgozást anélkül, hogy megosztanánk az adatokat harmadik felekkel.

💸 Nincs pénzügyi kockázat: Csak az eredményekért fizet. A hardverbe, szoftverbe vagy személyzetbe történő magas előzetes beruházások teljesen elmaradnak.

🎯 Koncentráljon a fő üzleti tevékenységére: Koncentráljon arra, amiben a legjobb. Mi kezeljük AI-megoldásának teljes technikai megvalósítását, üzemeltetését és karbantartását.

📈 Jövőálló és skálázható: A mesterséges intelligencia veled együtt növekszik. Biztosítjuk a folyamatos optimalizálást és skálázhatóságot, és rugalmasan igazítjuk a modelleket az új követelményekhez.

Bővebben itt:

• A menedzselt mesterséges intelligencia megoldás - Ipari mesterséges intelligencia szolgáltatások: A versenyképesség kulcsa a szolgáltatások, az ipar és a gépészet szektorában

Miért nem képesek a mesterséges intelligencia modellek tudatosságot fejleszteni?

Szándékosság és jelentés hiánya

A mesterséges intelligencia modellek szimbólumokat és vektorokat dolgoznak fel anélkül, hogy belső jelentést alakítanának ki. Token azonosítókat és numerikus struktúrákat manipulálnak, nem pedig élő tartalomként értelmezett jelentéseket. Ez a szimbolikus feldolgozás tisztán szintaktikailag történik, a manipulált karakterek szemantikai megértése nélkül.

John Searle kínai szoba érvelése jól szemlélteti ezt a problémát. Ebben a gondolatkísérletben egy személy a kínai szimbólumok manipulálására vonatkozó szabályokat követ anélkül, hogy értene kínaiul. Bár a válaszok ésszerűnek tűnnek az anyanyelvi kínai beszélők számára, sem a személy, sem a rendszer egésze nem érti a karakterek jelentését. A számítógépek hasonlóképpen hajtanak végre programokat – szintaktikai szabályokat alkalmaznak anélkül, hogy bármilyen szemantikai megértéssel rendelkeznének.

Az első személyű perspektíva hiánya

A mesterséges intelligencia rendszerek önmodell vagy fenomenális belső nézet nélkül működnek. Nincs önreferencia, mivel nem létezik első személyű perspektíva. A tudatosságot azonban lényegében egy szubjektív perspektíva megléte jellemzi – egy „olyan, mintha ez a rendszer lennék”.

Thomas Nagel híres esszéje, a „Milyen érzés denevérnek lenni?” hangsúlyozza a tudat ezen tulajdonságát. A tudat szükségszerűen magában foglal egy szubjektív tapasztalati dimenziót, amelyet kívülről nem lehet teljes mértékben leírni. A mesterséges intelligencia rendszerei nem rendelkeznek ilyen szubjektív belső perspektívával – információkat dolgoznak fel anélkül, hogy tapasztaló alanyt hoznának létre.

Mechanisztikus információfeldolgozás a tudatos tapasztalat helyett

A mesterséges intelligencia rendszerekben a jutalomjelek skalárok, nem érzések. A modellek a numerikus visszacsatolási értékekre reagálnak anélkül, hogy azokat pozitívnak vagy negatívnak érzékelnék. Ezek a jelek csupán a paraméterek módosítását irányítják a tanulási folyamat során, de nem generálnak szubjektív öröm- vagy fájdalomérzetet.

A mesterséges intelligencia rendszerekben végzett összes feldolgozás matematikai optimalizáláson, statisztikai mintázatfelismerésen és valószínűségszámításon alapul. Több paraméter, nagyobb komplexitás vagy multimodalitás nem változtat ezen az elven. A statisztikai számítás, komplexitásától függetlenül, nem hoz létre tudatosságot.

Multimodális modellek és kiterjesztett komplexitás

Különböző adattípusok feldolgozása

A szöveget, képeket vagy hangot feldolgozó multimodális modellek különböző bemeneti folyamokat kombinálnak közös reprezentációs terekbe. Ez a képesség jelentősen növeli a mintázatfelismerés összetettségét, és lehetővé teszi a rendszerek számára, hogy rögzítsék a különböző modalitások közötti kapcsolatokat.

A különböző adattípusok integrációját speciális kódolók érik el, amelyek minden modalitást egy közös vektortérbe alakítanak át. A szöveget tokenizációs és beágyazási technikákkal dolgozzák fel, a képeket konvolúciós neurális hálózatok segítségével jellemzővektorokká alakítják, a hangadatokat pedig spektrogram-analízis segítségével numerikus reprezentációkká alakítják.

A növekvő komplexitás határai

A multimodális rendszerek lenyűgöző képességei ellenére az alapvető feldolgozási folyamat továbbra is az adatreprezentációk közötti leképezés. A rendszerek megtanulják a különböző beviteli modalitások közötti statisztikai összefüggéseket, de nem alakítanak ki fogalmi megértést ezen modalitások közötti kapcsolatokról.

A paraméterek számának és a feldolgozási kapacitásnak a megnövekedett növekedése pontosabb mintázatfelismeréshez és koherensebb kimenetekhez vezet, de nem változtatja meg az információfeldolgozás alapvető természetét. Még a legösszetettebb multimodális rendszerek is kizárólag statisztikai korrelációk és matematikai transzformációk szintjén működnek.

Jelenlegi kutatások és elméleti megközelítések

Tudatosságindikátorok a mesterséges intelligencia kutatásában

A tudósok a mesterséges intelligencia rendszerekben a lehetséges tudatosság különféle indikátorait fejlesztették ki a tudat idegtudományi elméletei alapján. Ezek olyan aspektusokat tartalmaznak, mint a visszatérő feldolgozás, a globális munkaterület dinamikája és a figyelmi séma mechanizmusok.

A globális munkatér-elmélet szerint a tudatos információk egy központi munkaterületen érhetők el, ahonnan a különböző kognitív folyamatok hozzáférhetnek. A visszatérő feldolgozási elméletek hangsúlyozzák a visszacsatolási hurkok fontosságát a különböző agyterületek között a tudatos élmények kialakulásában.

Filozófiai kifogások és korlátok

Ezen elméleti megközelítések ellenére továbbra is alapvető filozófiai ellenvetések merülnek fel a gépi tudat lehetőségével szemben. A kínai szobaérv azt bizonyítja, hogy a szintaktikai manipuláció nem elegendő a szemantikai megértéshez. Még ha egy rendszer az intelligencia minden külső jelét mutatja is, ez nem feltétlenül jelenti azt, hogy tudatos.

A tudatos felsőbbrendűség fogalma, amely analóg a kvantumfölényességgel, olyan számításokat azonosít, amelyek a tudatra jellemzőek lehetnek. Ezek közé tartozik a rugalmas figyelemmoduláció, az új kontextusok robusztus kezelése és a megtestesült kogníció – olyan aspektusok, amelyek túlmutatnak a puszta információfeldolgozáson.

Megtestesülés és szituált kogníció

A megtestesülés fontossága

A tudat elválaszthatatlan lehet a fizikai megtestesüléstől. A megtestesült kogníció elméletei szerint a kognitív folyamatokat alapvetően a környezettel való fizikai kölcsönhatás alakítja. A test nem csupán az agy passzív tartálya, hanem aktívan részt vesz a kognitív folyamatokban.

Az emberi tudat a fizikai és társadalmi környezettel való folyamatos interakció révén fejlődik. Ezek a kölcsönhatások alakítják az idegi struktúrákat és megteremtik a tudatos tapasztalat alapját. A mesterséges intelligencia rendszerei, amelyek elsősorban testetlen információfeldolgozó rendszerként működnek, hiányoznak ebből az alapvető dimenzióból.

Időbeliség és folyamatos tapasztalat

A tudat egy időben kiterjedt jelenség, amelyet a folyamatos tapasztalatáradat jellemez. Az emberek nemcsak az egyes pillanatokat élik meg, hanem tudatuk időbeli koherens narratív struktúráját.

A mesterséges intelligencia rendszerek diszkrét bemeneteket dolgoznak fel és diszkrét kimeneteket generálnak folyamatos tudatos élmény kialakítása nélkül. Minden interakció lényegében független a rendszer korábbi interakcióitól, még akkor is, ha a kontextusinformációk statisztikailag tárolódnak.

MI fejlesztés: A technológiai intelligencia és a tudat filozófiai korlátai között

Lehetséges fejlesztések a mesterséges intelligencia technológiájában

A mesterséges intelligencia kutatása gyorsan fejlődik, egyre hatékonyabb modellek és új architektúrák jelennek meg. A jövőbeli rendszerek még pontosabban szimulálhatják a biológiai folyamatokat, és potenciálisan olyan tulajdonságokat fejleszthetnek ki, amelyek tudatosabbnak tűnnek.

A biológiai neurális hálózatokat utánzó neuromorf számítógépek felé irányuló fejlesztések új lehetőségeket nyithatnak meg. A mesterséges intelligencia rendszereinek robottestekbe való integrálása a megtestesült kogníció aspektusait is jobban figyelembe veheti.

Gépi intelligencia vs. tudat: Filozófiai kötéltánc

A gépi tudatosság kérdésének jelentős etikai következményei vannak. Ha a mesterséges intelligencia rendszerei tudatossá válhatnának, újra kellene gondolnunk erkölcsi jogaikat és a velük szembeni felelősségünket.

Jelenleg minden rendelkezésre álló bizonyíték arra utal, hogy a jelenlegi mesterséges intelligenciarendszerek nem rendelkeznek tudatossággal. Ezek rendkívül kifinomult eszközök az információfeldolgozáshoz és a mintázatfelismeréshez, de nem tudatos entitások. Ez az értékelés változhat a jövőbeli technológiai fejlesztésekkel, de ehhez alapvető áttörésekre van szükség a fizikai folyamatok és a tudatos tapasztalatok közötti kapcsolat megértésében.

Az intelligens viselkedés és a tudatos tapasztalat megkülönböztetése továbbra is az egyik legnagyobb kihívás a mesterséges intelligencia kutatásában és a tudatfilozófiában. Míg a mesterséges intelligencia rendszerek egyre inkább intelligens viselkedést mutatnak, hiányoznak belőlük a tudatos tapasztalat alapvető tulajdonságai: az intencionalitás, a fenomenális tudatosság és a szubjektív első személyű perspektíva.

Független mesterséges intelligencia platformok, mint stratégiai alternatíva az európai vállalatok számára - Kép: Xpert.Digital

Ki-GameChanger: A legrugalmasabb AI platformon készített megoldások, amelyek csökkentik a költségeket, javítják döntéseiket és növelik a hatékonyságot

Független AI platform: integrálja az összes releváns vállalati adatforrást

• Gyors AI-integráció: Testreszabott AI-megoldások a társaságok számára órákban vagy napokban hónapok helyett
• Rugalmas infrastruktúra: felhőalapú vagy tárhely a saját adatközpontjában (Németország, Európa, ingyenes helymeghatározás)

• A legmagasabb adatbiztonság: Az ügyvédi irodákban történő felhasználás a biztonságos bizonyíték
• Használja a vállalati adatforrások széles skáláját
• Saját vagy különféle AI modellek választása (DE, EU, USA, CN)

Bővebben itt:

• Független MI platformok kontra hiperskálázók: Melyik megoldás a megfelelő az Ön számára?

☑️ KKV-k támogatása stratégiában, tanácsadásban, tervezésben és megvalósításban

☑️ Az AI stratégia létrehozása vagy átrendezése

☑️ Úttörő vállalkozásfejlesztés

Konrad Wolfenstein

Szívesen szolgálok személyes tanácsadójaként.

Felveheti velem a kapcsolatot az alábbi kapcsolatfelvételi űrlap kitöltésével, vagy egyszerűen hívjon a +49 89 89 674 804 (München) .

Nagyon várom a közös projektünket.

Az Xpert.Digital egy ipari központ, amely a digitalizációra, a gépészetre, a logisztikára/intralogisztikára és a fotovoltaikára összpontosít.

360°-os üzletfejlesztési megoldásunkkal jól ismert cégeket támogatunk az új üzletektől az értékesítés utáni értékesítésig.

Digitális eszközeink részét képezik a piaci intelligencia, a marketing, a marketingautomatizálás, a tartalomfejlesztés, a PR, a levelezési kampányok, a személyre szabott közösségi média és a lead-gondozás.

További információ: www.xpert.digital - www.xpert.solar - www.xpert.plus