Common Sense, the Turing Test, and the Quest for Real AI

هوش مصنوعی در مورد ذهن چه چیزی می تواند به ما بیاموزد؟ اگر مفهوم اساسی هوش مصنوعی این است که تفکر یک فرآیند محاسباتی است، پس چگونه محاسبات می تواند تفکر را روشن کند؟ این یک سوال به موقع است. هوش مصنوعی بسیار خشمگین است، و پر سر و صداترین وزوز هوش مصنوعی یادگیری ماشینی تطبیقی را احاطه کرده است: سیستم های کامپیوتری که رفتار هوشمندانه را از مقادیر انبوه داده یاد می گیرند. این همان چیزی است که به عنوان مثال یک ماشین بدون راننده را نیرو می دهد. در این کتاب، هکتور لوسک مکالمه را به «هوش مصنوعی خوب قدیمی» تغییر می‌دهد، که نه بر روی انبوهی از داده‌ها، بلکه بر درک هوش عامیانه استوار است. این نوع هوش مصنوعی مجهز به موقعیت‌هایی است که از الگوهای قبلی فاصله می‌گیرند - همانطور که در زندگی واقعی انجام می‌دهیم، برای مثال وقتی با یک پل شسته شده مواجه می‌شویم یا زمانی که باریستا به ما اطلاع می‌دهد که دیگر شیر سویا وجود ندارد.

Levesque نقش زبان را در یادگیری در نظر می گیرد. او استدلال می کند که یک برنامه کامپیوتری که تست معروف تورینگ را گذرانده می تواند یک زامبی بی فکر باشد، و او راه دیگری را برای آزمایش هوش پیشنهاد می کند -- تست طرحواره وینوگراد که توسط Levesque و همکارانش ساخته شده است. او می‌گوید: «اگر هدف ما درک رفتار هوشمندانه است، بهتر است تفاوت بین ساختن آن و جعل کردن آن را درک کنیم». او مکانیسم احتمالی را در پس عقل سلیم و ظرفیت فراخوانی دانش پیشینه شناسایی می‌کند: توانایی بازنمایی نمادین موضوعات فکری. همانطور که هوش مصنوعی بیشتر و بیشتر به زندگی روزمره مهاجرت می کند، باید نگران باشیم که اگر سیستم های بدون عقل سلیم در جایی که به عقل سلیم نیاز است تصمیم بگیرند.

What can artificial intelligence teach us about the mind? If AI's underlying concept is that thinking is a computational process, then how can computation illuminate thinking? It's a timely question. AI is all the rage, and the buzziest AI buzz surrounds adaptive machine learning: computer systems that learn intelligent behavior from massive amounts of data. This is what powers a driverless car, for example. In this book, Hector Levesque shifts the conversation to "good old fashioned artificial intelligence," which is based not on heaps of data but on understanding commonsense intelligence. This kind of artificial intelligence is equipped to handle situations that depart from previous patterns -- as we do in real life, when, for example, we encounter a washed-out bridge or when the barista informs us there's no more soy milk.

Levesque considers the role of language in learning. He argues that a computer program that passes the famous Turing Test could be a mindless zombie, and he proposes another way to test for intelligence -- the Winograd Schema Test, developed by Levesque and his colleagues. "If our goal is to understand intelligent behavior, we had better understand the difference between making it and faking it," he observes. He identifies a possible mechanism behind common sense and the capacity to call on background knowledge: the ability to represent objects of thought symbolically. As AI migrates more and more into everyday life, we should worry if systems without common sense are making decisions where common sense is needed.