Тіло є відсутнім елементом у створенні справді інтелектуальних машин, схожих на людину штучного інтелекту, пояснює Бен Медлок, дослідник обробки природних мов, у статті в Інтернет-науково-філософському журналі Aeon.
Спокусливо думати, що це шар поверх кількох інших шарів більш примітивної структури, пише Бен Медлок, засновник компанії з розробки мобільних додатків (SwiftKey), яка використовує передбачувальні технології для побудови системи зв'язку для фізика Стівена Хокінга. . Це тому, що давайте переживемо свою свідомість набагато особливішим, продовжує дослідник, який займається обробкою природної мови, ніж наш ритм серця або рухи нашого шлунка. Тому багато хто сподівається, що якби функціонування розуму можна було відокремити від інших шарів, ми могли б створити якийсь схожий на людину штучний інтелект (ШІ), який нагадує лише найвищий шар і уникає безладної плоті, характерної для органічного життя. Однак ми насправді не підходимо до можливості створити людиноподібний ШІ, цвяхи Медлок. І причиною цього є те, що свідомість складається не з шарів, і в даний час більшість дослідників штучного інтелекту ігнорують центральний елемент головоломки: тіло.
Таким чином, напр. використовуючи символічну логіку - кодуючи спеціальну частину знань у комп'ютерну мову за допомогою математичної формули - ми можемо доручити машині "дізнатися", що кішка є твариною ("кішка> є> тварина"), а потім включити такі формули в дедалі складніші твердження. ми можемо скласти систему визначення істинності різних тверджень - напр. "Середній кіт більший за коня", або "є ймовірність, що кіт зловить мишу". Тим не менше, символічна логіка безнадійно не здатна боротися із реальними проблемами та справлятися зі складними символами, визначення яких є неоднозначним і тлумачення яких має мільйони нюансів.
Через збільшення обчислювальних можливостей за останні десятиліття дослідники ШІ вдалися до нового методу і прагнути до виявляти закономірності у величезному обсязі даних за допомогою статистичних інструментів. Цей метод часто називають "машинним навчанням". Машинне навчання не намагається кодувати високий рівень знань та логічного висновку, скоріше, він використовує підхід знизу вгору, коли алгоритми можуть виявляти взаємозв'язки, повторюючи завдання (наприклад, ідентифікуючи об'єкти на фотографіях або перекладаючи мовлення в письмовий текст). Така система може, наприклад, навчіться ідентифікувати котів на фотографіях, переглядаючи мільйони фотографій котів, або вміючи виявляти зв’язок між котами та мишами, читаючи величезну кількість тексту.
За останні роки машинне навчання дозволило здійснити низку чудових практичних застосувань, напр. стало можливим розпізнавання мови, обробка зображень або усне читання; ШІ може перемогти людину в шахах або піти, а також може складати музику. Певною мірою ці алгоритми здатні імітувати те, що ми знаємо про несвідомі процеси в мозку, аналогічно тому, як зорова кора отримує електричні сигнали від ока і інтерпретує їх як ідентифікувані закономірності.
Однак алгоритми далеко не здатні мислити як ми. Найбільша різниця - це наша еволюційна біологія та спосіб, яким біологія обробляє інформацію. Люди складаються з мільярдів еукаріотичних клітин, предки яких з’явилися 2,5 мільярда років тому. Кожна еукаріотична клітина складається щонайменше з такої кількості мережевих компонентів, як сучасна струмінь, і всі ці компоненти еволюціонували у свою нинішню форму завдяки нескінченному ланцюгу зустрічей з природою.
Традиційна ідея полягає в тому, що ця клітинна складність еволюціонувала завдяки відбору випадкових генетичних мутацій під час еволюції. Однак у 2005 році біолог Чиказького університету Джеймс Шапіро запропонував кардинально нову розповідь, яка, схоже, підтверджується результатами мікробіологічних досліджень. Відповідно до цього Еукаріотичні клітини «свідомо» допомагають організму адаптуватися до навколишнього середовища, маніпулюючи власною ДНК (Погляд на еволюцію XXI століття: архітектура системи геномів, повторювана ДНК та природна генна інженерія; Ген). Таким чином, напр. імунна система ссавців здатна дублювати певні послідовності ДНК для отримання ефективних антитіл проти хвороб, а також було показано, що принаймні половина геному складається з стрибаючих генів, які час від часу реструктурують геном за допомогою природної генної інженерії.
Тобто, як пояснює Медлок, набагато глибше під верхнім шаром мислення та свідомості, навіть наші клітини читають з навколишнього середовища і реагують на нього у співпраці між собою, тобто наш інтелект не просто представляє об’єктивний зовнішній світ символами. Натомість світ з’являється таким, яким дозволяють наші постійно розвиваються потреби. Природа поклала раціональність не на біологічне регулювання як на якийсь верхній шар, а на нього, як це пояснив у всесвітньо відомій роботі (помилка Декарта) невролог Антоніо Дамазіо, раціональність створюється за допомогою елементів біологічної регуляції за допомогою біологічної регуляції. Іншими словами: ми мислимо усім своїм тілом, а не лише своїм мозку.
Однак поки що мало хто з дослідників ШІ визнав, що все це насправді означає, пише Медлок. Алгоритми розпізнають малюнок кота, переглядаючи мільйони фотографій котів, навпаки, живі істоти мають дуже багату модель свого тіла та ширшого оточення через свої біологічні потреби; використовуючи цю модель та свій досвід, вони здатні робити раціональні висновки на основі спостереження невеликої кількості зразків. Коли людина думає про кота, бачить, як тварина рухається перед його духовними очима, чує, як воно гарчить, відчуває, як воно дряпається, і має багате сховище сенсорної інформації, яка допомагає йому зрозуміти „кота”. Це означає, що коли людина підходить до нової проблеми, вона вже зробила важку роботу. За допомогою методів, які ми щойно почали розуміти, наші тіла та мозок, починаючи від клітин і закінчуючи вищими рівнями, вже побудували світову модель, яку ми можемо почати використовувати майже відразу для вирішення безлічі інших проблем. На відміну від цього, алгоритм ШІ повинен кожного разу починати вирішення проблем з нуля.
Хоча багато хто боїться, що поглинання розумних машин неминуче, ми насправді дуже далекі від того, щоб трохи наблизитися до людського інтелекту, і мало шансів досягти цього, поки ми не почнемо про це думати., як алгоритми можуть забезпечити якийсь довгостроковий, втілений зв’язок із своїм середовищем.