Miért nem lehetnek tudatosak a mesterséges intelligencia modellek?

A Transformer modellek alapvető architektúrája

A jelenlegi mesterséges intelligencia rendszerek, különösen a nagy nyelvi modellek, mint 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 a feldolgozott tartalom mélyebb megértését fejlesztené ki.

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 magja az Önfigyelem Mechanizmus. Ez lehetővé teszi a modell számára, hogy egy bemeneti sorozat különböző részeit eltérően súlyozza. A mechanizmus skaláris szorzatokat számít ki a vektorok között, hogy modellezze a sorozaton belüli függőségi struktúrákat. Ezek a súlyok azonban tisztán numerikus együtthatók, amelyek statisztikai szabályosságokat ragadnak meg a betanítási adatokban.

A „figyelem” kifejezés ebben az összefüggésben tisztán metaforikus. Nem az emberi értelemben vett tudatos figyelemre utal, hanem olyan matematikai számításokra, 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 a szöveg úgynevezett tokenekké, azaz számértékegységekké történő átalakításával kezdődik. Ezeket a tokeneket ezután nagy dimenziós vektorterekbe, úgynevezett beágyazásokba ágyazzák. A beágyazás egy matematikai reprezentáció, amely minden szót vagy szövegszegmenst egy többdimenziós térben lévő pontként ábrázol.

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 szigorú értelemben vett szemantikai jelentéseket. Ezek a beágyazások egyszerűen 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 illesztenek 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 hegyen. 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 technológia egyik kulcsfontosságú fejlesztése a megerősítéses tanulás emberi visszajelzésből. Ez a módszer az emberi preferenciákat numerikus jutalmazási jelekké alakítja. A modell úgy módosítja a paramétereit, hogy növelje az emberek által preferenciálisnak minősített kiadások 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 eggyel egyenlő.

A következő tokent úgy választjuk ki, hogy mintát veszünk ebből a valószínűségi eloszlásból, vagy egy Argmax módszerrel. Ez az Argmax módszer egy tisztán statisztikai szabály, tudatos döntéshozatal nélkül. A Softmax függvény csupán lehetővé teszi a modell számára, hogy a kimeneteit értelmezhető formában jelenítse meg, anélkül, hogy bármilyen tudatos gondolkodás vagy megértés szerepet játszana.

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 tudatosságot, mint ezen tapasztalatok egy sajátos közvetlen észlelésének módját. A filozófusok és az idegtudósok a tudat különböző aspektusait különböztetik meg, 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 képességek jellemzője

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

Az intencionális állapotoknak van tartalomuk, függetlenül attól, hogy létezik-e a tárgyuk. Egy személy hiedelmeket táplálhat nem létező tárgyakról, vagy elérhetetlen célok utáni vágyakat táplálhat. 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 élményekhez. Ez a probléma kategorikusan különbözik a tudatkutatás „könnyű problémáitól”, amelyek olyan funkcionális aspektusokat érintenek, mint a megkülönböztetés, az információintegráció és a viselkedéskontroll.

A nehéz probléma abban rejlik, hogy miért kíséri ezen funkciók végrehajtását a tapasztalat. Még ha minden releváns funkcionális tényt el is magyarázunk, a további kérdés továbbra is fennáll: Miért kapcsolódik ezen funkciók végrehajtása a tapasztalathoz? Ez a kérdés látszólag megcáfol minden mechanisztikus vagy viselkedésalapú magyarázatot.

Idegtudományi eredmények a tudatról

A tudat idegi korrelátumai

Az idegtudomány a tudatosság neurális korrelátumait, vagy NCC-ket vizsgálja. Ezeket az adott tudatos érzékeléshez elegendő legkisebb neurális eseményegységként definiálják. Az NCC-k olyan neurális tevékenységek, állapotok vagy alrendszerek, amelyek közvetlenül kapcsolódnak a tudathoz.

Olyan kutatók, mint Wolf Singer és Andreas Engel, kimutatták, hogy az állati és emberi agyban is léteznek időben szinkronizált neurális hálózatok kisülései. Ez az időbeli korreláció kulcsfontosságú lehet a tudatosság kialakulásában. A hipotézis azon a feltételezésen alapul, hogy az időbeli szinkronizáció mechanizmusai négy agyi funkcióban vesznek részt: a tudatosságban, az érzékszervi érzékelés integrációjában, a figyelem szelekciójában és a munkamemóriában.

A tudatos folyamatok biológiai alapjai

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

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

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 bármilyen belső jelentést fejlesztenének ki. Token azonosítókat és numerikus struktúrákat manipulálnak, nem pedig élő tartalomként értelmezett jelentéseket. Ez a szimbolikus feldolgozás tisztán szintaktikai, a manipulált szimbólumok szemantikai megértése nélkül.

John Searle kínai szoba érvelése jól szemlélteti ezt a problémát. Ebben a gondolatkísérletben egy személy a kínai szimbólumok manipulálására vonatkozó szabályokat követi anélkül, hogy értene kínaiul. Bár a válaszok logikusnak 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 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 – egy „Így van ez, ez a rendszer” – megléte jellemzi.

Thomas Nagel híres esszéje, a „Milyen érzés denevérnek lenni?” hangsúlyozza a tudatosság ezen jellemzőjét. A tudatosság 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 szabályozzák 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 teremt 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 megértsék a különböző modalitások közötti kapcsolatokat.

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

A növekvő komplexitás határai

A multimodális rendszerek lenyűgöző képességei ellenére az alapvető feldolgozás továbbra is az adatreprezentációk közötti leképezésen alapul. A rendszerek megtanulják a különböző beviteli modalitások közötti statisztikai korrelációkat, 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 számos indikátort fejlesztettek ki a mesterséges intelligencia rendszerekben jelen lévő tudatosságra vonatkozóan, 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 vannak a gépi tudat lehetőségével szemben. A kínai szoba érvelése 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 nem feltétlenül választható el 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 alapjait. A mesterséges intelligencia rendszerei, amelyek elsősorban testetlen információfeldolgozó rendszerekként működnek, hiányoznak ebből az alapvető dimenzióból.

Időbeliség és folyamatos tapasztalat

A tudat egy időben kiterjedt jelenség, amelyet a folyamatos tapasztalatáradat jellemez. Az emberek nem csupán egyes pillanatokat élnek meg, hanem tudatuk egy koherens narratív struktúráját az idő múlásával.

A mesterséges intelligencia rendszerek diszkrét bemeneteket dolgoznak fel és diszkrét kimeneteket generálnak folyamatos tudatosság kialakulása nélkül. Minden interakció lényegében független a rendszer korábbi interakcióitól, még akkor is, ha statisztikai kontextuális információkat tárolnak.

MI fejlesztés: A technológiai intelligencia és a tudat filozófiai határai 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 jobban hasonlítanak a tudatosságra.

A biológiai neurális hálózatokat utánzó neuromorf számítógépek fejlesztése új lehetőségeket nyithat meg. A mesterséges intelligencia rendszereinek robottestekbe való integrálása a megtestesült kogníció aspektusait is nagyobb mértékben 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 mai mesterséges intelligenciarendszerek nem rendelkeznek tudattal. Ezek rendkívül kifinomult eszközök az információfeldolgozáshoz és a mintázatfelismeréshez, de nem tudatos entitások. Ez az értékelés változhat a jövőbeli technológiai fejlesztésekkel, de alapvető áttöréseket igényel a fizikai folyamatok és a tudatos tapasztalatok közötti kapcsolat megértésében.

Az intelligens viselkedés és a tudatos tapasztalat közötti különbségtétel 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: a szándékosság, a fenomenális tudatosság és a szubjektív első személyű perspektíva.

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

 

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