Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Dr hab. Marcin Miłkowski. Algorytm na dziś  Komputacjonizm: intuicja funkcjonalistyczna  Argument Searle’a i Putnama: czy komputacjonizm cokolwiek głosi?

Podobne prezentacje


Prezentacja na temat: "Dr hab. Marcin Miłkowski. Algorytm na dziś  Komputacjonizm: intuicja funkcjonalistyczna  Argument Searle’a i Putnama: czy komputacjonizm cokolwiek głosi?"— Zapis prezentacji:

1 Dr hab. Marcin Miłkowski

2 Algorytm na dziś  Komputacjonizm: intuicja funkcjonalistyczna  Argument Searle’a i Putnama: czy komputacjonizm cokolwiek głosi?  Na czym polega wyjaśnianie obliczeniowe?  Ograniczenia wyjaśnień obliczeniowych i sztucznej inteligencji

3 Umysł jest jak komputer…  Może umysł jest jak oprogramowanie, a mózg jak komputer, który je wykonuje?  Bardzo chwytliwe wśród filozofów, ale na pewno dosłownie nieprawda. Umysł nie ma architektury komputera von Neumanna, bo nie znajdziemy w nim dwóch podstawowych jednostek ani czegoś, co wygląda na niekontekstowe instrukcje.

4 4 Czy mózgi są pod jakimś względem podobne do komputerów? ≈ ?

5 5 Metafora komputerowa □ Ponieważ trudno podać kryteria adekwatności wyjaśnienia obliczeniowego, często mówi się o metaforze komputerowej □ W historii znamy wiele takich metafor: zegar, hydraulika u Freuda, centrala telefoniczna… □ ALE: nie wiadomo, pod jakimi istotnymi względami mózgi mają przypominać komputery

6 6 Metafora komputerowa □ Teza staje się mętna i niesprawdzalna ≈ ?

7 Komputacjonizm dosłowny  Idea funkcjonalistów:  Nie liczy się biologiczny materiał mózgu, ale to, co jest w stanie zrobić.  Mózg jest przede wszystkim przetwornikiem informacji, bo to jest jego funkcja.  Potencjalnie jest więc równoważny pewnemu komputerowi.  Można więc wyjaśnić działanie umysłu, modelując go jako pewnego rodzaju komputer.

8 Argument Searle’a  Wg Searle’a ta ściana implementuje program WordStar™.  Searle argumentuje, że obliczenia są kwestią wyłącznie interpretacji obserwatora; nie istnieją obiektywnie.

9 Argument Searle’a 1. Dla każdego przedmiotu istnieje pewien opis tego przedmiotu, na którego gruncie ów przedmiot jest komputerem cyfrowym. (To jest założenie pankomputacjonizmu i koncepcja natury obliczeń fizycznych, zaraz zanalizujemy).

10 Argument Searle’a 2. Dla każdego programu i każdego dostatecznie złożonego przedmiotu istnieje jakiś opis tego przedmiotu, na którego gruncie realizuje on ów program. Na przykład ściana, o którą opieram się plecami, realizuje w tej chwili program Wordstar, ponieważ istnieje pewna konfiguracja ruchów cząsteczek, która jest izomorficzna z formalną strukturą tego programu. Ale skoro ściana realizuje program Wordstar, to przy dostatecznie dużych rozmiarach będzie ona realizowała każdy program, w tym również wszystkie programy, które są realizowane przez mózg.

11 Obliczać to mieć opis obliczeniowy? ● System oblicza, jeśli istnieje izomorfizm między stanami fizycznymi a stanami modelu obliczeń.

12 Obliczać to mieć opis obliczeniowy? ● Ale przecież układy fizyczne mają pewnie więcej niż 4 stany... ● Musi to być częściowy izomorfizm…

13 Argument Searle’a  Przy założeniu, że wystarcza częściowy izomorfizm, aby uznać, że układ oblicza, trudno uniknąć wniosku Searle’a.  Nawet jeśli uwzględnimy relacje następstwa między stanami – tego dowiódł Putnam.  Pozytywna wiadomość: zamiast kupować nowe oprogramowanie, wystarczy przeinterpretować MS DOS jako Mac OSX

14 Straszliwy pomysł Putnama  Jak zabraknie stanów, definiujmy je, stosując alternatywę logiczną: ze stanu P1 i P2 powstaje jeszcze stan P3 = P1 v P2.  A jak mamy zewnętrzny punkt odniesienia (np. zegar), to możemy zasymulować istnienie następstwa w czasie, bo na pewno istnieje jakaś relacja między stanem P3 a stanem zegara.

15 Co robić?  Nie można przyjąć koncepcji, że dla fizycznego X-a realizować obliczenie to pozostawać w relacji częściowego izomorfizmu do pewnego modelu komputera.  Dwa inne wyjścia:  Semantyczna koncepcja obliczeń  Kauzalna koncepcja obliczeń

16 Semantyczna koncepcja obliczeń  Obliczenia poznawcze dotyczą reprezentacji, więc trzeba po prostu wymagać, aby obliczenia zachodziły zawsze na reprezentacjach.  Dwa problemy:  1. Nie można mieć komputacjonizmu antyreprezentacyjnego   2. Poważniej: są obliczenia, które nie dotyczą wcale reprezentacji poznawczych.

17 Semantyczna koncepcja obliczeń  Weźmy program:  begin  end  To poprawny program, można go zrealizować, ale gdzież tu reprezentacje poznawcze?  Poza tym – problem ugruntowania symboli jest realny; niełatwo mieć realne reprezentacje semantyczne w komputerach…

18 Koncepcja kauzalna  Wg koncepcji kauzalnej liczy się tylko odwzorowanie między odpowiednią strukturą przyczynową w układzie fizycznym a danym modelem obliczeń.  Taką koncepcję sformułował precyzyjnie pierwszy David Chalmers.  Pewnym wariantem jest mechanicystyczna koncepcja Gualtiero Piccininiego i Marcina Miłkowskiego.

19 Na czym polega wyjaśnianie obliczeniowe?  Dwie koncepcje:  Funkcjonalistyczna (przeciw nomologicznej)  Mechanistyczna

20 Nomologiczno-dedukcyjna koncepcja wyjaśniania  Najogólniejsza teoria wyjaśniania (Hempel i Oppenheim 1948)  Wyjaśnienia to poprawne argumenty.  Ich przesłankami są zdania:  Prawdziwe, ogólne i powszechnie obowiązujące (prawa)  Opisujące parametry określonych przedmiotów (tzw. warunki początkowe)  Wnioskami są obserwowane lub przewidywane stany rzeczy.

21 Hempel i Oppenheim (1948)  Wyjaśnienia to argumenty Prawa ogólne Warunki początkowe ___________________________________ Opis explanandum  Przewidywania mają tę samą formę! explanans

22 Koncepcja dedukcyjno- nomologiczna  Przykład Jeśli coś jest solą kuchenną, to rozpuszcza się w wodzie. Przedmiot x jest solą kuchenną. ___________________________________________ Przedmiot x rozpuszcza się w wodzie.

23 Robert Cummins i wyjaśnianie funkcjonalne  Cummins krytykuje ND: wyjaśnianie to nie podpadanie pod prawo  Psychologia nie poszukuje praw, tylko efektów.  Opis efektu, np. efektu McGurka, nie jest sam w sobie wyjaśnieniem!

24 Cummins i wyjaśnianie funkcjonalne  Ale Cummins nie docenia warunków, które muszą spełnić prawa:  Muszą być ogólne i prostsze niż opisy poszczególnych zdarzeń (dlatego opis efektu nie jest prawem!)  Zbiór danych pomiarowych to nie prawo.  Cummins myli wyjaśnianie nomologiczno- dedukcyjne z przefitowaniem

25 Wyjaśnianie funkcjonalne wg Cumminsa  Efekty w psychologii wyjaśniamy jako realizację zdolności  Zdolności opisujemy funkcjonalnie, korzystając z analizy funkcjonalnej  Rozkładamy zdolność na składniki, które łącznie przejawiają tę zdolność  I tak samo robimy z wyjaśnianiem obliczeniowym.

26 Nieznośna lekkość analizy funkcjonalnej  Ale analiza funkcjonalna ma wadę.  Wyjaśnia zdolności tylko w kategoriach „wystarczalności”.  Istnieje nieskończenie wiele różnych analiz, a wszystkie z nich są w tym ujęciu równie poprawne!  Tymczasem modele obliczeniowe ocenia się surowiej!

27 Słaba i mocna równoważność  Jerry Fodor (1968) opisał symulacje (modele) przechodzące testy na poziomie wejścia- wyjścia „słabo równoważnymi” zjawiskom umysłowym.  Mocno równoważne modele obejmują również dane o procesach tworzących dane wyjściowe.  Celem kognitywistyki jest uzyskanie modeli mocno równoważnych.

28 Mocna równoważność  Jak sprawdzić, czy proces jest równoważny?  Sprawdzić, czy przebiega w podobnej liczbie kroków: metody chronometryczne.  Analiza złożoności obliczeniowej może dać lepszy model – ocena trwania wykonania danego algorytmu.  Obrazowanie mózgu: sprawdzić, czy wzorce aktywacji odpowiadają procesowi w modelu. To jest trudne!

29 Analiza funkcjonalna a dekompozycja mechanistyczna  Mechanicyści twierdzą, że model będzie wyjaśniać dopiero wtedy, gdy opisze strukturę przyczynową zjawiska, z uwzględnieniem realnych części mechanizmów poznawczych i ich operacji.  Innymi słowy, wymagają oni po prostu mocnej równoważności.  Tego nie da się łatwo zbanalizować w stylu Putnama i Searle’a.

30 Ograniczenia wyjaśniania obliczeniowego  Wedle ujęcia mechanistycznego komputery to nie tylko struktura wykonująca obliczenia.  Komputery muszą być złożone z części, które same nie są (tego samego rodzaju) komputerami.  I te części mogą robić coś, czego obliczeniowo wyjaśnić się nie da.  Np. rozgrzewać się  Mnóstwo zjawisk musi więc umknąć!

31 Przeciw sztucznej inteligencji  Jest mnóstwo argumentów przeciwko sztucznej inteligencji o postaci: 1. Ludzie robią X. 2. Komputery nigdy nie zrobią X. ––––––––––––––––––––––––––––––––– A zatem sztuczna inteligencja nie jest możliwa (albo komputacjonizm jest fałszywy).  Ale trudno traktować przesłankę 2 poważnie, jeśli jest podana bez dowodu.

32 Przykłady „niemożliwości”  J. Weizenbaum (autor bota ELIZA) twierdził, że finansowanie badań nad rozpoznawaniem mowy jest nieetyczne, bo to zadanie jest dla komputerów zbyt trudne.  Y. Bar-Hillel twierdził, że nie da się w ogóle zrobić porządnego tłumaczenia maszynowego.  Są też tacy, którzy twierdzili, że komputer nigdy nie wygra w Jeopardy! (wygrał IBM Watson).

33 Problem ramy (frame problem)  W logicznych modelach AI, które myślenie modelują w kategoriach wnioskowania, pojawił się problem przy opisie zmieniającego się świata:  Które twierdzenia trzeba odrzucać, a które pozostają bez zmian?  Aby go rozwiązań, zaczęto badać logikę niemotoniczną. I problem rozwiązano.  Ten problem nigdy nie wystąpił w innych modelach, ale przeciwnicy AI bardzo w niego wierzą.

34 Komputery niestandardowe  A jeśli mózg jest komputerem analogowym?  To jest. Mechanistyczny komputacjonizm nie wymaga, aby obliczenia rozumieć tylko w kategoriach maszyny Turinga.  Można nawet postulować hiperobliczeniowe modele, o ile są racje empiryczne.

35 Podsumowanie  Komputacjonizm to dominująca metodologia badań w kognitywistyce.  Jest adekwatny dlatego, że procesy poznawcze są procesami przetwarzania informacji – czyli procesami obliczeniowymi.  Argumenty banalizujące komputacjonizm trafnie wskazują, że trzeba mieć głębszą koncepcję realizacji obliczenia. Ale taka koncepcja istnieje.

36 Dalsze lektury  Miłkowski, Marcin Computational Theory of Mind. „Internet Encyclopedia of Philosophy.”  Fresco, Nir Physical Computation and Cognitive Science. Berlin, Heidelberg, Springer. doi: /


Pobierz ppt "Dr hab. Marcin Miłkowski. Algorytm na dziś  Komputacjonizm: intuicja funkcjonalistyczna  Argument Searle’a i Putnama: czy komputacjonizm cokolwiek głosi?"

Podobne prezentacje


Reklamy Google