Varför modeller av artificiell intelligens inte kan ha medvetande

Den grundläggande arkitekturen för Transformer-modeller

Nuvarande system för artificiell intelligens, särskilt stora språkmodeller som GPT och ChatGPT, är baserade på den så kallade Transformer-arkitekturen. Detta representerar en specialiserad form av matematisk databehandling som utvecklades av forskare på Google 2017. Denna arkitektur fungerar helt baserat på numeriska beräkningar och statistiska mönster, utan att utveckla en djupare förståelse av innehållet som bearbetas.

En transformatormodell består av staplade kodar- och avkodarlager som arbetar tillsammans för att bearbeta indata. Kodaren omvandlar indata till matematiska representationer, medan avkodaren omvandlar denna information till önskad utdata. Båda komponenterna använder komplexa matematiska operationer som matrismultiplikationer och ickelinjära aktiveringsfunktioner för att utföra sina uppgifter.

Hur självuppmärksamhetsmekanismer fungerar

Kärnan i Transformer-arkitekturen är självuppmärksamhetmekanismen. Denna gör det möjligt för modellen att tilldela olika vikter till olika delar av en inmatningssekvens. Mekanismen beräknar punktprodukter mellan vektorer för att modellera beroendestrukturer inom en sekvens. Dessa vikter är dock rent numeriska koefficienter som fångar statistiska regelbundenheter i träningsdata.

Termen "uppmärksamhet" är rent metaforisk i detta sammanhang. Det är inte medveten uppmärksamhet i mänsklig mening, utan snarare matematiska beräkningar som avgör vilka delar av inputen som ska ges mest vikt vid generering av output. Dessa beräkningar följer deterministiska regler och är baserade på inlärda viktmatriser.

Tokenbearbetning och inbäddningsutrymmen

Bearbetningen börjar med att text konverteras till så kallade tokens, som fungerar som numeriska enheter. Dessa tokens bäddas sedan in i högdimensionella vektorutrymmen som kallas inbäddningar. En inbäddning är en matematisk representation som representerar varje ord eller textavsnitt som en punkt i ett flerdimensionellt rum.

Positionen för en token i detta inbäddningsutrymme bestäms av optimeringsprocesser som syftar till att förbättra modellens prediktionsnoggrannhet. Närhet i inbäddningsutrymmet återspeglar statistiska likheter i träningskorpusen, men inte semantisk betydelse i ordets rätta bemärkelse. Dessa inbäddningar är helt enkelt koordinater i ett matematiskt utrymme vars värden är optimerade genom maskininlärning.

De matematiska grunderna för AI-bearbetning

Parametrar och optimering

Moderna språkmodeller innehåller miljarder parametrar. Dessa parametrar är numeriska värden som justeras med hjälp av gradient descent för att minimera en förlustfunktion. Gradient descent är en matematisk optimeringsteknik som systematiskt ändrar parametrarna för en modell för att förbättra dess prestanda.

Processen fungerar på liknande sätt som att vandra i en bergskedja i tjock dimma. Modellen närmar sig gradvis den optimala punkten genom att beräkna lutningen på förlustfunktionen och röra sig i motsatt riktning. Dessa parametrar fungerar enbart som optimeringskoefficienter för matematiska funktioner och har ingen medveten betydelse eller avsikt.

Förstärkning av lärande från mänsklig feedback

En viktig utveckling inom AI-teknik är förstärkningsinlärning från mänsklig feedback. Denna metod översätter mänskliga preferenser till numeriska belöningssignaler. Modellen justerar sina parametrar för att öka sannolikheten för de resultat som människor föredrar.

RLHF involverar vanligtvis tre steg: Först förtränas modellen med hjälp av övervakad inlärning. Därefter samlas mänsklig feedback in för att träna en belöningsmodell. Slutligen optimeras den ursprungliga modellen med hjälp av förstärkningsinlärning för att maximera de preferenser som förutsägs av belöningsmodellen. Hela denna process är rent matematisk och involverar inget medvetet beslutsfattande.

Softmax-transformation och sannolikhetsfördelningar

I slutet av bearbetningen omvandlar softmax-funktionen råvärden till sannolikhetsfördelningar. Den matematiska formeln för softmax-funktionen är: Softmax(x_i) = e^(x_i) / Σ(e^(x_j)). Denna funktion omvandlar en vektor med numeriska värden till en vektor med sannolikheter vars summa är ett.

Nästa token väljs genom att dra ett urval från denna sannolikhetsfördelning eller genom att använda argmax-metoden. Denna metod är en ren statistisk regel utan medvetet beslutsfattande. Softmax-funktionen låter helt enkelt modellen presentera sin utdata i en tolkningsbar form, utan att kräva någon medvetenhet eller förståelse.

Det filosofiska problemet med medvetandet

Definition och egenskaper hos medvetande

Medvetande omfattar alla tillstånd som en individ upplever. Det inkluderar både helheten av upplevelser och medvetandet som en speciell typ av omedelbar medvetenhet om dessa upplevelser. Filosofer och neuroforskare skiljer mellan olika aspekter av medvetandet, där fenomenalt medvetande och åtkomstmedvetande är av särskild betydelse.

Fenomenal medvetenhet hänvisar till den subjektiva upplevelsemässiga kvaliteten hos mentala tillstånd. Det är vad som utgör att vara i ett visst mentalt tillstånd – hur något känns för det upplevande subjektet. Dessa subjektiva upplevelsemässiga egenskaper kallas qualia och är endast direkt tillgängliga för det uppfattande subjektet.

Intentionalitet som ett drag i det mentala

Intentionalitet hänvisar till mentala tillstånds förmåga att referera till något. Franz Brentano introducerade denna term i modern filosofi och ansåg den vara ett karakteristiskt drag hos sinnet. Intentionalitet är medvetandets riktade egenskap – det faktum att medvetandet alltid är medvetandet om något.

Avsiktliga tillstånd har ett innehåll oavsett om deras objekt existerar. En person kan ha föreställningar om icke-existerande objekt eller önskningar om ouppnåeliga mål. Denna egenskap skiljer mentala fenomen från rent fysiska processer, som uteslutande följer kausala lagar.

Det svåra problemet med medvetandet

David Chalmers formulerade det "svåra medvetandeproblemet" som frågan om varför och hur fysiska processer i hjärnan leder till subjektiv upplevelse. Detta problem skiljer sig kategoriskt från de "enkla problemen" inom medvetandeforskningen, som rör funktionella aspekter som diskriminering, informationsintegration och beteendekontroll.

Det svåra problemet är att förklara varför utförandet av dessa funktioner åtföljs av erfarenhet. Även om alla relevanta funktionella fakta förklaras, kvarstår den ytterligare frågan: Varför är utförandet av dessa funktioner förknippat med erfarenhet? Denna fråga verkar trotsa en mekanistisk eller beteendemässig förklaring.

Neurovetenskapliga fynd om medvetande

Neurala korrelat av medvetande

Neurovetenskapen syftar till att identifiera de neurala korrelaten till medvetandet, eller NCC:er förkortat. Dessa definieras som den minsta enheten av neurala händelser som är tillräckliga för en viss medveten uppfattning. NCC:er är neurala aktiviteter, tillstånd eller delsystem som direkt korrelerar med medvetandet.

Forskare som Wolf Singer och Andreas Engel har visat att tidssynkroniserade urladdningar av nervcellskluster existerar i djurs och människors hjärnor. Denna tidsmässiga korrelation skulle kunna vara avgörande för uppkomsten av medvetande. Hypotesen bygger på antagandet att tidsmässiga bindningsmekanismer är involverade i fyra hjärnfunktioner: medvetenhet, sensorisk integration, uppmärksamhetsselektion och arbetsminne.

Biologiska grunder för medvetna processer

Medvetandet är beroende av en tillräcklig tillförsel av syre och socker till hjärnbarken, samt av tillräckligt stark aktivering av neuroner i den associativa cortexen. Dessa biologiska förutsättningar visar att medvetandet inte bara är en abstrakt egenskap, utan har konkreta fysiska grunder.

Lillhjärnan innehåller tre gånger så många neuroner som hjärnbarken, men även med allvarlig skada förblir medvetandet i stort sett intakt. Detta tyder på att det inte är det stora antalet neuroner som är avgörande, utan snarare deras specifika organisation och sammankoppling i vissa hjärnregioner.

En ny dimension av digital transformation med 'Managed AI' (Artificial Intelligence) – Plattform & B2B-lösning | Xpert Consulting - Bild: Xpert.Digital

Här får du lära dig hur ditt företag kan implementera skräddarsydda AI-lösningar snabbt, säkert och utan höga inträdesbarriärer.

En Managed AI-plattform är ditt heltäckande och bekymmersfria paket för artificiell intelligens. Istället för att behöva hantera komplex teknik, dyr infrastruktur och långa utvecklingsprocesser får du en nyckelfärdig lösning skräddarsydd efter dina behov från en specialiserad partner – ofta inom några dagar.

De viktigaste fördelarna i korthet:

⚡ Snabb implementering: Från idé till operativ tillämpning på dagar, inte månader. Vi levererar praktiska lösningar som skapar omedelbart värde.

🔒 Maximal datasäkerhet: Dina känsliga uppgifter stannar hos dig. Vi garanterar säker och korrekt behandling utan att dela data med tredje part.

💸 Ingen ekonomisk risk: Du betalar bara för resultat. Höga initiala investeringar i hårdvara, mjukvara eller personal elimineras helt.

🎯 Fokusera på din kärnverksamhet: Koncentrera dig på det du gör bäst. Vi hanterar hela den tekniska implementeringen, driften och underhållet av din AI-lösning.

📈 Framtidssäkert och skalbart: Din AI växer med dig. Vi säkerställer kontinuerlig optimering och skalbarhet och anpassar modellerna flexibelt till nya krav.

Mer om detta här:

• Den hanterade AI-lösningen - Industriella AI-tjänster: Nyckeln till konkurrenskraft inom tjänste-, industri- och maskintekniksektorerna

Varför AI-modeller inte kan utveckla medvetande

Brist på avsiktlighet och mening

AI-modeller bearbetar symboler och vektorer utan att utveckla en intern meningsfullhet. De manipulerar token-ID:n och numeriska strukturer, inte betydelser som levt innehåll. Denna symboliska bearbetning sker rent syntaktiskt, utan någon semantisk förståelse av de manipulerade tecknen.

John Searles argument i det kinesiska rummet illustrerar detta problem. I detta tankeexperiment följer en person regler för att manipulera kinesiska symboler utan att förstå kinesiska. Även om svaren verkar rimliga för kinesiska modersmålstalare, förstår varken personen eller systemet som helhet betydelsen av tecknen. Datorer kör program på liknande sätt – de tillämpar syntaktiska regler utan att ha någon semantisk förståelse.

Avsaknad av ett förstapersonsperspektiv

AI-system fungerar utan en självmodell eller fenomenal intern syn. Det finns ingen självreferens, eftersom det inte finns något förstapersonsperspektiv. Medvetandet kännetecknas dock i huvudsak av existensen av ett subjektivt perspektiv – ett "det är lite som att vara det här systemet".

Thomas Nagels berömda essä "Hur är det att vara en fladdermus?" betonar denna egenskap hos medvetandet. Medvetandet inkluderar nödvändigtvis en subjektiv erfarenhetsdimension som inte kan beskrivas helt utifrån. AI-system saknar ett sådant subjektivt internt perspektiv – de bearbetar information utan att skapa ett upplevande subjekt.

Mekanistisk informationsbehandling istället för medveten upplevelse

Belöningssignaler i AI-system är skalärer, inte sensationer. Modellerna reagerar på numeriska återkopplingsvärden utan att uppleva dem som positiva eller negativa. Dessa signaler styr endast parameterjustering under inlärningsprocessen, men genererar inte subjektiva sensationer av njutning eller smärta.

All bearbetning i AI-system är baserad på matematisk optimering, statistisk mönsterigenkänning och sannolikhetsberäkning. Fler parametrar, större komplexitet eller multimodalitet förändrar inte denna princip. Statistisk beräkning, oavsett dess komplexitet, producerar inte medvetande.

Multimodala modeller och utökad komplexitet

Bearbetning av olika datatyper

Multimodala modeller som bearbetar text, bilder eller ljud kombinerar olika inmatningsströmmar till gemensamma representationsutrymmen. Denna funktion ökar komplexiteten i mönsterigenkänning avsevärt och gör det möjligt för systemen att fånga relationer mellan olika modaliteter.

Integreringen av olika datatyper uppnås med hjälp av specialiserade kodare som omvandlar varje modalitet till ett gemensamt vektorutrymme. Text bearbetas med hjälp av tokeniserings- och inbäddningstekniker, bilder konverteras till funktionsvektorer med hjälp av faltningsneurala nätverk och ljuddata konverteras till numeriska representationer med hjälp av spektrogramanalys.

Gränser för ökande komplexitet

Trots de imponerande funktionerna hos multimodala system förblir den grundläggande bearbetningsprocessen en mappning mellan datarepresentationer. Systemen lär sig statistiska korrelationer mellan olika inmatningsmodaliteter men utvecklar inte en konceptuell förståelse för sambanden mellan dessa modaliteter.

Det ökade antalet parametrar och bearbetningskapaciteten leder till mer exakt mönsterigenkänning och mer sammanhängande utdata, men förändrar inte informationsbearbetningens grundläggande natur. Även de mest komplexa multimodala systemen fungerar uteslutande på nivån av statistiska korrelationer och matematiska transformationer.

Aktuell forskning och teoretiska tillvägagångssätt

Medvetandeindikatorer i AI-forskning

Forskare har utvecklat olika indikatorer på möjligt medvetande i AI-system baserat på neurovetenskapliga teorier om medvetande. Dessa inkluderar aspekter som återkommande bearbetning, global arbetsytedynamik och uppmärksamhetsschemamekanismer.

Global Workspace Theory menar att medveten information görs tillgänglig i en central arbetsyta, varifrån den är åtkomlig för olika kognitiva processer. Teorier om återkommande bearbetning betonar vikten av återkopplingsslingor mellan olika hjärnregioner för uppkomsten av medveten upplevelse.

Filosofiska invändningar och begränsningar

Trots dessa teoretiska tillvägagångssätt kvarstår grundläggande filosofiska invändningar mot möjligheten av maskinmedvetande. Det kinesiska rumsargumentet visar att syntaktisk manipulation inte är tillräcklig för semantisk förståelse. Även om ett system uppvisar alla yttre tecken på intelligens betyder det inte nödvändigtvis att det är medvetet.

Begreppet medveten överhöghet, analogt med kvantöverhöghet, identifierar beräkningar som kan vara unika för medvetandet. Dessa inkluderar flexibel uppmärksamhetsmodulering, robust hantering av nya sammanhang och förkroppsligad kognition – aspekter som går utöver ren informationsbehandling.

Förkroppsligande och situerad kognition

Vikten av förkroppsligande

Medvetande kan vara oskiljaktigt från fysisk förkroppsligande. Teorier om förkroppsligad kognition menar att kognitiva processer i grunden formas av fysisk interaktion med omgivningen. Kroppen är inte bara en passiv behållare för hjärnan utan deltar aktivt i kognitiva processer.

Mänskligt medvetande utvecklas genom kontinuerlig interaktion med den fysiska och sociala miljön. Dessa interaktioner formar neurala strukturer och skapar grunden för medveten upplevelse. AI-system, som främst fungerar som kroppslösa informationsbehandlingssystem, saknar denna grundläggande dimension.

Temporalitet och kontinuerlig erfarenhet

Medvetande är ett tidsmässigt utsträckt fenomen som kännetecknas av kontinuerliga upplevelseströmmar. Människor upplever inte bara individuella ögonblick, utan en sammanhängande narrativ struktur av sitt medvetande över tid.

AI-system bearbetar diskreta indata och genererar diskreta utdata utan att utveckla en kontinuerlig medveten upplevelse. Varje interaktion är i huvudsak oberoende av tidigare interaktioner för systemet, även om kontextinformation lagras statistiskt.

AI-utveckling: Mellan teknisk intelligens och medvetandets filosofiska gränser

Möjliga utvecklingar inom AI-teknik

AI-forskningen går snabbt framåt, med allt kraftfullare modeller och nya arkitekturer. Framtida system skulle kunna simulera biologiska processer ännu mer exakt och potentiellt utveckla egenskaper som verkar mer medvetna.

Utvecklingen mot neuromorfiska datorer som efterliknar biologiska neurala nätverk skulle kunna öppna upp nya möjligheter. Integreringen av AI-system i robotkroppar skulle också kunna ta större hänsyn till aspekter av kroppslig kognition.

Maskinell intelligens kontra medvetande: En filosofisk balansgång

Frågan om maskinmedvetenhet har betydande etiska implikationer. Om AI-system kunde bli medvetna, skulle vi behöva ompröva deras moraliska rättigheter och vårt ansvar gentemot dem.

För närvarande tyder alla tillgängliga bevis på att nuvarande AI-system saknar medvetenhet. De är mycket sofistikerade verktyg för informationsbehandling och mönsterigenkänning, men inte medvetna enheter. Denna bedömning kan komma att förändras med framtida tekniska utvecklingar, men det kräver grundläggande genombrott i vår förståelse av sambandet mellan fysiska processer och medveten upplevelse.

Att skilja intelligent beteende från medveten erfarenhet är fortfarande en av de största utmaningarna inom AI-forskning och medvetandefilosofin. Medan AI-system i allt högre grad uppvisar intelligent beteende saknar de de grundläggande egenskaperna hos medveten erfarenhet: intentionalitet, fenomenalt medvetande och ett subjektivt förstapersonsperspektiv.

Oberoende AI-plattformar som ett strategiskt alternativ för europeiska företag - Bild: Xpert.Digital

Ki-Gamechanger: De mest flexibla AI-plattforms-tailor-tillverkade lösningarna som minskar kostnaderna, förbättrar deras beslut och ökar effektiviteten

Oberoende AI -plattform: Integrerar alla relevanta företagsdatakällor

• Snabb AI-integration: Skräddarsydd AI-lösningar för företag i timmar eller dagar istället för månader
• Flexibel infrastruktur: molnbaserad eller värd i ditt eget datacenter (Tyskland, Europa, gratis val av plats)

• Högsta datasäkerhet: Användning i advokatbyråer är säkra bevis
• Användning över ett brett utbud av företagsdatakällor
• Val av dina egna eller olika AI -modeller (DE, EU, USA, CN)

Mer om detta här:

• Oberoende AI-plattformar kontra hyperskalare: Vilken lösning är rätt för dig?

☑ SME -stöd i strategi, rådgivning, planering och implementering

☑ Skapande eller omjustering av AI -strategin

☑ Pioneer Business Development

Konrad Wolfenstein

Jag hjälper dig gärna som personlig konsult.

Du kan kontakta mig genom att fylla i kontaktformuläret nedan eller helt enkelt ringa mig på +49 89 674 804 (München) .

Jag ser fram emot vårt gemensamma projekt.

Xpert.Digital är ett nav för bransch med fokus, digitalisering, maskinteknik, logistik/intralogistik och fotovoltaik.

Med vår 360 ° affärsutvecklingslösning stöder vi välkända företag från ny verksamhet till efter försäljning.

Marknadsintelligens, smarketing, marknadsföringsautomation, innehållsutveckling, PR, postkampanjer, personliga sociala medier och blyomsorg är en del av våra digitala verktyg.

Du kan hitta mer på: www.xpert.digital - www.xpert.solar - www.xpert.plus