અલ્ટોવ હેનરિચ

શું મશીન વિચારી શકે?

ગેનરીખ અલ્ટોવ

શું મશીન વિચારી શકે?

હું પ્રશ્ન જોવા જઈ રહ્યો છું: "શું મશીન વિચારી શકે છે?" પરંતુ આ કરવા માટે, તમારે પહેલા "વિચારો" શબ્દનો અર્થ વ્યાખ્યાયિત કરવો પડશે...

A. ટ્યુરિંગ. ટ્રિગર સાંકળ.

અઠવાડિયામાં બે વાર, સાંજે, ગ્રાન્ડમાસ્ટર સાયબરનેટિક્સ સંસ્થામાં આવતા અને ઇલેક્ટ્રોનિક મશીન સાથે રમતા.

વિશાળ અને નિર્જન રૂમમાં ચેસબોર્ડ, ઘડિયાળ અને પુશ-બટન કંટ્રોલ પેનલ સાથેનું નીચું ટેબલ હતું. ગ્રાન્ડમાસ્ટર ખુરશી પર બેઠા, ટુકડાઓ મૂક્યા અને "સ્ટાર્ટ" બટન દબાવ્યું. ઈલેક્ટ્રોનિક મશીનની આગળની પેનલ પર સૂચક લેમ્પ્સનું ફરતું મોઝેક પ્રકાશિત થાય છે. ટ્રેકિંગ સિસ્ટમ લેન્સ ચેસબોર્ડ પર લક્ષ્ય રાખ્યું હતું. પછી મેટ ડિસ્પ્લે પર એક નાનો શિલાલેખ ચમક્યો. કાર તેની પ્રથમ ચાલ કરી રહી હતી.

તે તદ્દન નાની હતી, આ કાર. તે ક્યારેક ગ્રાન્ડમાસ્ટરને લાગતું હતું કે સૌથી સામાન્ય રેફ્રિજરેટર તેની સામે ઊભું છે. પરંતુ આ "રેફ્રિજરેટર" હંમેશા જીત્યું. દોઢ વર્ષમાં, ગ્રાન્ડમાસ્ટર માંડ માંડ ચાર રમતો ડ્રો કરી શક્યા.

મશીને ક્યારેય ભૂલ કરી નથી. સમયના દબાણનો ખતરો તેના પર ક્યારેય ન હતો. ગ્રાન્ડમાસ્ટરે એક કરતા વધુ વખત ઇરાદાપૂર્વક હાસ્યાસ્પદ ચાલ કરીને અથવા એક ભાગનો બલિદાન આપીને કારને નીચે લાવવાનો પ્રયાસ કર્યો. પરિણામે, તેણે ઉતાવળે "ગીવ અપ" બટન દબાવવું પડ્યું.

ગ્રાન્ડમાસ્ટર એક એન્જિનિયર હતા અને સ્વ-સંગઠિત ઓટોમેટાના સિદ્ધાંતને શુદ્ધ કરવા માટે મશીન સાથે પ્રયોગ કર્યો હતો. પરંતુ કેટલીકવાર તે "રેફ્રિજરેટર" ની સંપૂર્ણ સમાનતાથી ગુસ્સે થઈ ગયો હતો. રમતની નિર્ણાયક ક્ષણોમાં પણ, મશીન પાંચ કે છ સેકન્ડથી વધુ વિચારતું ન હતું. ઈન્ડિકેટર લેમ્પ્સની બહુ-રંગી લાઈટોને શાંતિથી ઝબકાવીને, તેણીએ શક્ય તેટલી મજબૂત ચાલ લખી. મશીન તેના વિરોધીની રમવાની શૈલીમાં ગોઠવણો કરવામાં સક્ષમ હતું. કેટલીકવાર તેણીએ લેન્સ ઊંચો કર્યો અને લાંબા સમય સુધી વ્યક્તિ તરફ જોયું. ગ્રાન્ડમાસ્ટર ચિંતિત હતા અને ભૂલો કરી હતી ...

દિવસ દરમિયાન, એક શાંત પ્રયોગશાળા સહાયક રૂમમાં આવ્યો. અંધકારપૂર્વક, મશીનને જોયા વિના, તેણે ઉત્કૃષ્ટ ચેસ ખેલાડીઓ દ્વારા જુદા જુદા સમયે રમાતી ચેસબોર્ડ રમતો પર પુનઃઉત્પાદન કર્યું. "રેફ્રિજરેટર" લેન્સ બધી રીતે લંબાયેલો અને બોર્ડ પર લટકી ગયો. મશીને લેબોરેટરી આસિસ્ટન્ટ તરફ જોયું નહીં. તેણીએ નિરાશાપૂર્વક માહિતી રેકોર્ડ કરી.

જે પ્રયોગ માટે ચેસ મશીન બનાવવામાં આવ્યું હતું તે પ્રયોગ તેના અંતને આરે હતો. માણસ અને મશીન વચ્ચે જાહેર મેચ યોજવાનું નક્કી થયું. મેચ પહેલા, ગ્રાન્ડમાસ્ટર સંસ્થામાં વધુ વખત દેખાવા લાગ્યા. ગ્રાન્ડમાસ્ટર સમજી ગયા કે નુકસાન લગભગ અનિવાર્ય છે. અને તેમ છતાં તેણે સતત "ફ્રિજ" રમતમાં નબળા મુદ્દાઓ શોધી કાઢ્યા. મશીન, જાણે કે આગામી લડાઈ વિશે અનુમાન લગાવતું હોય, દરરોજ વધુ મજબૂત અને મજબૂત રમ્યું. તેણીએ ગ્રાન્ડમાસ્ટરની સૌથી ઘડાયેલ યોજનાઓ વીજળીની ઝડપે ઉઘાડી પાડી. તેણીએ અચાનક અને અસાધારણ હુમલાઓ સાથે તેના આંકડાઓને તોડી નાખ્યા...

મેચની શરૂઆતના થોડા સમય પહેલા, મશીનને ચેસ ક્લબમાં લઈ જવામાં આવ્યું હતું અને સ્ટેજ પર સ્થાપિત કરવામાં આવ્યું હતું. છેલ્લી ઘડીએ ગ્રાન્ડમાસ્ટર આવી પહોંચ્યા. મેચ માટે સંમત થવા બદલ તેને પહેલાથી જ અફસોસ છે. દરેકની સામે “ફ્રિજ” થી હારવું અપ્રિય હતું.

ગ્રાન્ડમાસ્ટરે રમતમાં જીતવા માટે તેની તમામ પ્રતિભા અને તેની તમામ ઇચ્છાશક્તિ લગાવી દીધી. તેણે એવી શરૂઆત પસંદ કરી જે તેણે પહેલાં ક્યારેય મશીન સાથે રમી ન હતી, અને રમત તરત જ વધી ગઈ.

બારમી ચાલ પર, ગ્રાન્ડમાસ્ટરે મશીનને પ્યાદા માટે બિશપની ઓફર કરી. એક સૂક્ષ્મ, પૂર્વ-તૈયાર સંયોજન હાથીના બલિદાન સાથે સંકળાયેલું હતું. મશીને નવ સેકન્ડ માટે વિચાર્યું - અને પીડિતને નકારી કાઢ્યો. તે ક્ષણથી, ગ્રાન્ડમાસ્ટર જાણતા હતા કે તે અનિવાર્યપણે હારી જશે. જો કે, તેણે રમત ચાલુ રાખી - વિશ્વાસપૂર્વક, હિંમતભેર, જોખમી.

હોલમાં હાજર લોકોમાંથી કોઈએ પણ આવી રમત જોઈ ન હતી. તે સુપર આર્ટ હતી. દરેકને ખબર હતી કે મશીન હંમેશા જીતે છે. પરંતુ આ વખતે બોર્ડ પરની સ્થિતિ એટલી ઝડપથી અને એટલી નાટકીય રીતે બદલાઈ ગઈ કે કોણ જીતશે તે કહેવું અશક્ય હતું.

એકવીસમી ચાલ પછી, શિલાલેખ “ડ્રો” મશીનના ડિસ્પ્લે પર ચમક્યો. ગ્રાન્ડમાસ્ટરે આશ્ચર્યમાં “રેફ્રિજરેટર” તરફ જોયું અને પોતાને “ના” બટન દબાવવા દબાણ કર્યું. સૂચક લાઇટો શૂટ થઈ, પ્રકાશની પેટર્નને ફરીથી ગોઠવી - અને સાવચેતીપૂર્વક થીજી ગઈ.

અગિયારમી મિનિટે, તેણીએ એવી ચાલ કરી કે જેનો ગ્રાન્ડમાસ્ટરને સૌથી વધુ ડર હતો. ટુકડાઓનું ઝડપી વિનિમય અનુસરવામાં આવ્યું. ગ્રાન્ડમાસ્ટરની સ્થિતિ બગડી. જો કે, કારના સિગ્નલ બોર્ડ પર "ડ્રો" શબ્દ ફરીથી દેખાયો. ગ્રાન્ડમાસ્ટરે જીદથી "ના" બટન દબાવ્યું અને રાણીને લગભગ નિરાશાજનક વળતો હુમલો કર્યો.

મશીનની ટ્રેકિંગ સિસ્ટમ તરત જ ખસેડવા લાગી. લેન્સની કાચની આંખ એ માણસ તરફ તાકી રહી. ગ્રાન્ડમાસ્ટરે કાર તરફ ન જોવાનો પ્રયત્ન કર્યો.

ધીમે ધીમે, સૂચક લેમ્પ્સના પ્રકાશ મોઝેકમાં પીળા ટોન પ્રબળ થવા લાગ્યા. તેઓ વધુ સમૃદ્ધ, તેજસ્વી બન્યા - અને છેવટે પીળા સિવાયના બધા દીવા નીકળી ગયા. ચેસબોર્ડ પર કિરણોની એક સોનેરી પટ્ટી પડી, આશ્ચર્યજનક રીતે ગરમ સૂર્યપ્રકાશ સમાન.

તંગ મૌનમાં, વિશાળ નિયંત્રણ ઘડિયાળનો હાથ ક્લિક થયો, એક વિભાગથી બીજા વિભાગ તરફ કૂદકો માર્યો. મશીન વિચારી રહ્યું હતું. તેણીએ ત્રેતાલીસ મિનિટ સુધી વિચાર્યું, જોકે હોલમાં બેઠેલા મોટાભાગના ચેસ ખેલાડીઓ માનતા હતા કે વિચારવા જેવું કંઈ નથી અને તે તેની નાઈટ સાથે સુરક્ષિત રીતે હુમલો કરી શકે છે.

અચાનક પીળી લાઈટો નીકળી ગઈ. લેન્સ, અનિશ્ચિતતાથી ધ્રૂજતા, તેની સામાન્ય સ્થિતિ લીધી. સ્કોરબોર્ડ પર ચાલનો રેકોર્ડ દેખાયો: મશીને કાળજીપૂર્વક પ્યાદાને ખસેડ્યો. હોલમાં ઘોંઘાટ થયો; ઘણાને લાગ્યું કે આ શ્રેષ્ઠ પગલું નથી.

ચાર ચાલ પછી, મશીને હાર સ્વીકારી.

ગ્રાન્ડમાસ્ટર, ખુરશીને દૂર ધકેલતા, કાર તરફ દોડ્યા અને બાજુની ઢાલને ધક્કો માર્યો. કવચની નીચે, કંટ્રોલ મિકેનિઝમની લાલ લાઈટ ચાલુ અને બંધ થઈ ગઈ.

એક યુવાન, એક રમતગમત અખબારનો સંવાદદાતા, ભાગ્યે જ સ્ટેજ પર પહોંચ્યો, જે તરત જ ચેસ ખેલાડીઓથી ભરેલો હતો.

એવું લાગે છે કે તેણીએ હમણાં જ સ્વીકાર્યું," કોઈએ અનિશ્ચિતતાથી કહ્યું. - તેણી ખૂબ જ આશ્ચર્યજનક રીતે રમી - અને અચાનક ...

સારું, તમે જાણો છો," એક પ્રખ્યાત ચેસ ખેલાડીએ વાંધો ઉઠાવ્યો, "એવું બને છે કે કોઈ વ્યક્તિ પણ વિજેતા સંયોજનની નોંધ લેતો નથી. મશીન સંપૂર્ણ તાકાતથી ચાલ્યું, પરંતુ તેની ક્ષમતાઓ મર્યાદિત હતી. બસ એટલું જ.

ગ્રાન્ડમાસ્ટરે ધીમેથી કારનું ડેશબોર્ડ નીચું કર્યું અને સંવાદદાતા તરફ વળ્યા.

તેથી," તેણે તેની નોટબુક ખોલીને અધીરાઈથી પુનરાવર્તન કર્યું, "તમારો અભિપ્રાય શું છે?"

મારો અભિપ્રાય? - ગ્રાન્ડમાસ્ટરે પૂછ્યું. - તે અહીં છે: એકસો અને નવમા બ્લોકમાં ટ્રિગર ચેઇન નિષ્ફળ ગઈ છે. અલબત્ત, પ્યાદાની ચાલ સૌથી મજબૂત નથી. પરંતુ હવે એ કહેવું મુશ્કેલ છે કે તેનું કારણ ક્યાં અને અસર ક્યાં છે. કદાચ આ ટ્રિગર ચેઇનને કારણે કારને વધુ સારી ચાલ જોવા મળી ન હતી. અથવા કદાચ તેણીએ ખરેખર ન જીતવાનું નક્કી કર્યું - અને તેના કારણે તેણીને ટ્રિગર્સની કિંમત ચૂકવવી પડી. છેવટે, વ્યક્તિ માટે પોતાની જાત પર કાબુ મેળવવો એટલું સરળ નથી...

પણ શા માટે આ નબળી ચાલ, શા માટે હારી? - સંવાદદાતાને આશ્ચર્ય થયું. જો મશીન વિચારી શકે, તો તે જીતવા માટે પ્રયત્ન કરશે.

ગ્રાન્ડમાસ્ટરે ખભા ઉંચકીને હસ્યા:

કેવી રીતે કહેવું... કેટલીકવાર નબળી ચાલ કરવી વધુ માનવીય હોય છે. ટેકઓફ માટે તૈયાર!

યાક સમુદ્રમાં દૂર એક ઊંચા ખડક પર ઊભો હતો. ઓટોમેટિક સાધનોની તપાસ કરવા માટે લોકો દીવાદાંડી પર અવારનવાર દેખાયા હતા. લાઇટહાઉસથી લગભગ બેસો મીટર દૂર એક ટાપુ પાણીમાંથી બહાર આવ્યો. ઘણા વર્ષોથી, ટાપુ પર એક સ્પેસશીપ સ્થાપિત કરવામાં આવી હતી જાણે કે પેડેસ્ટલ પર, જે લાંબી સફર પછી પૃથ્વી પર પાછો ફર્યો. આવા જહાજોને ફરીથી અવકાશમાં મોકલવાનો કોઈ અર્થ નથી.

હું અહીં એક એન્જિનિયર સાથે આવ્યો હતો જે સમગ્ર કાળા સમુદ્રના કિનારે લાઇટહાઉસનો હવાલો સંભાળતો હતો. જ્યારે અમે લાઇટહાઉસના ટોચના પ્લેટફોર્મ પર પહોંચ્યા, ત્યારે એન્જિનિયરે મને દૂરબીન આપી અને કહ્યું:

તોફાન આવશે. ખૂબ નસીબદાર: ખરાબ હવામાન પહેલાં તે હંમેશા જીવનમાં આવે છે.

લાલ રંગનો સૂર્ય તરંગોના ભૂખરા શિખરો પર ઝાંખો ચમકતો હતો. ખડક તરંગોને કાપી નાખે છે, તેઓ તેની આસપાસ ગયા અને ઘોંઘાટથી લપસણો, કાટવાળું પથ્થરો પર ચઢી ગયા. પછી, એક જોરથી નિસાસો સાથે, તેઓ ફીણવાળા પ્રવાહોમાં ફેલાય છે, નવા તરંગોનો માર્ગ ખોલે છે. રોમન સૈનિકો આ રીતે આગળ વધ્યા: આગળની હરોળ, ત્રાટકી, ખુલ્લી સિસ્ટમ દ્વારા પીછેહઠ કરી, જે પછી બંધ થઈ અને નવી જોશ સાથે હુમલો શરૂ કર્યો.

દૂરબીન દ્વારા હું જહાજને સ્પષ્ટપણે જોઈ શકતો હતો. તે ખૂબ જ જૂની ટુ-સીટર લોંગ-રેન્જ રિકોનિસન્સ પ્રકારની સ્ટારશિપ હતી. ધનુષ્યમાં બે સરસ રીતે સમારકામ કરેલા છિદ્રો બહાર ઊભા હતા. શરીર સાથે એક ઊંડો ખાડો ચાલી રહ્યો હતો. ગુરુત્વાકર્ષણ પ્રવેગક રિંગ બે ભાગમાં વિભાજિત અને ચપટી હતી. લાંબા સમયથી જૂની સિસ્ટમ અને ઇન્ફ્રાસોનિક હવામાન નિરીક્ષણના શંકુ આકારના શોધકો ધીમે ધીમે વ્હીલહાઉસની ઉપર ફરતા હતા.

તમે જુઓ," એન્જિનિયરે કહ્યું, "તેને લાગે છે કે વાવાઝોડું આવશે."

ક્યાંક સીગલ એલાર્મમાં ચીસો પાડ્યો, અને દરિયાએ મોજાના નીરસ ક્રેશ સાથે પ્રતિક્રિયા આપી. દરિયાની ઉપર ઉછળતી એક રાખોડી ઝાકળ ધીમે ધીમે ક્ષિતિજને અસ્પષ્ટ કરી રહી હતી. પવને હળવા તરંગોને વાદળો તરફ ખેંચ્યા, અને ખરાબ હવામાનથી વધુ પડતા વાદળો પાણી તરફ ડૂબી ગયા. આકાશ અને સમુદ્રના સંપર્કમાંથી તોફાન ફાટી નીકળવાનું હતું.

સારું, હું હજી પણ તે સમજું છું," એન્જિનિયરે આગળ કહ્યું: "સૌર બેટરી બેટરીને પાવર કરે છે, અને ઇલેક્ટ્રોનિક મગજ ઉપકરણોને નિયંત્રિત કરે છે." પણ બીજું બધું... ક્યારેક તે જમીન, સમુદ્ર, તોફાન ભૂલી જવા લાગે છે અને માત્ર આકાશમાં જ રસ લેવા લાગે છે. રેડિયો ટેલિસ્કોપ વિસ્તરે છે, લોકેટર એન્ટેના દિવસ-રાત ફરે છે... અથવા બીજું કંઈક. અચાનક એક પાઈપ ઉગે છે અને લોકોને જોવા લાગે છે. શિયાળામાં અહીં ઠંડા પવનો હોય છે, વહાણ બરફથી ઢંકાયેલું હોય છે, પરંતુ લાઇટહાઉસ પર લોકો દેખાય છે કે તરત જ બરફ અદૃશ્ય થઈ જાય છે... માર્ગ દ્વારા, તેના પર શેવાળ ઉગતી નથી...

એલન ટ્યુરિંગએક મોટો લેખ પ્રકાશિત કર્યો, જે પાછળથી પાઠ્યપુસ્તક બન્યો: કોમ્પ્યુટિંગ મશીનરી અને ઇન્ટેલિજન્સ. લેખનો વારંવાર રશિયનમાં આ રીતે અનુવાદ કરવામાં આવે છે: શું મશીન વિચારી શકે છે? લેખના વિભાગમાં "મુખ્ય મુદ્દા પર વિરોધી દૃષ્ટિકોણ" લેખકે વિવિધ વાંધાઓ, કૃત્રિમ બુદ્ધિ સાથે સંકળાયેલ દંતકથાઓ, સર્જનાત્મક પ્રક્રિયાઓના મોડેલિંગની ચર્ચા કરી અને તેમની ટિપ્પણીઓ આપી ...

1. ધર્મશાસ્ત્રીય વાંધો. "વિચાર એ માણસના અમર આત્માની મિલકત છે, ભગવાને દરેક પુરુષ અને દરેક સ્ત્રીને અમર આત્મા આપ્યો છે, પરંતુ અન્ય કોઈ પ્રાણી અથવા મશીનને આત્મા આપ્યો નથી. તેથી, ન તો પ્રાણી કે મશીન વિચારી શકે છે.

હું હમણાં જ કહેવામાં આવેલ કોઈપણ બાબત સાથે સંમત થઈ શકતો નથી, અને હું ધર્મશાસ્ત્રીય શબ્દોનો ઉપયોગ કરીને દલીલ કરવાનો પ્રયાસ કરીશ. જો પ્રાણીઓને પુરુષો સાથે સમાન વર્ગમાં મૂકવામાં આવ્યા હોય તો મને આ વાંધો વધુ ખાતરીપૂર્વક લાગવો જોઈએ, કારણ કે, મારા મતે, માણસ અને અન્ય પ્રાણીઓની સરખામણીમાં લાક્ષણિક એનિમેટ અને લાક્ષણિક નિર્જીવ વચ્ચે મોટો તફાવત છે. આ રૂઢિચુસ્ત દૃષ્ટિકોણનું મનસ્વી પાત્ર હજુ પણ સ્પષ્ટ થઈ જશે જો આપણે કોઈ અન્ય ધર્મનો દાવો કરનાર વ્યક્તિને તે કયા પ્રકાશમાં દેખાઈ શકે છે તે ધ્યાનમાં લઈએ. ઉદાહરણ તરીકે, ખ્રિસ્તીઓ મુસ્લિમોના દૃષ્ટિકોણ પર કેવી રીતે પ્રતિક્રિયા કરશે જેઓ માને છે કે સ્ત્રીઓમાં આત્મા નથી? પરંતુ ચાલો આ પ્રશ્ન છોડીએ અને મુખ્ય વાંધો તરફ વળીએ. મને લાગે છે કે ઉપરોક્ત દલીલથી માણસના આત્માના સંદર્ભમાં સર્વશક્તિમાનની સર્વશક્તિ પર ગંભીર મર્યાદા આવે છે.

ભલે ત્યાં અમુક વસ્તુઓ છે જે ભગવાન કરી શકતા નથી, જેમ કે એક સમાન બે બનાવવા; પરંતુ કયો આસ્તિક સંમત નહીં થાય કે જો તેને લાગે કે હાથી તેના માટે લાયક છે તો તે આત્માને હાથીમાં દાખલ કરવા માટે સ્વતંત્ર છે? આપણે એવી ધારણામાં બહાર નીકળવાનો માર્ગ શોધી શકીએ છીએ કે તે તેની શક્તિનો ઉપયોગ ફક્ત પરિવર્તન સાથે સંયોજનમાં કરે છે જે મગજને એટલો બહેતર બનાવે છે કે બાદમાં તે આત્માની જરૂરિયાતોને સંતોષવા સક્ષમ છે જે તે હાથીમાં દાખલ કરવા માંગે છે. પરંતુ મશીનોના કિસ્સામાં પણ એવું જ કહી શકાય. આ તર્ક ફક્ત અલગ જ લાગે છે કારણ કે મશીનોના કિસ્સામાં તે "પચવું" વધુ મુશ્કેલ છે. આનો અનિવાર્યપણે અર્થ એ થાય છે કે અમે તેને અત્યંત અસંભવિત માનીએ છીએ કે ભગવાન મશીનને આત્મા આપવા માટે યોગ્ય સંજોગોને ધ્યાનમાં લેશે, એટલે કે. આ ખરેખર અન્ય દલીલો વિશે છે જેની ચર્ચા બાકીના લેખમાં કરવામાં આવી છે. વિચારસરણીના યંત્રો બનાવવાના પ્રયાસમાં આપણે સંતાન ઉત્પન્ન કરવા કરતાં આત્માઓ બનાવવાની તેમની શક્તિનો ઉપયોગ કરીને ઈશ્વર પ્રત્યે વધુ અનાદરપૂર્વક કાર્ય કરીએ છીએ; બંને કિસ્સાઓમાં આપણે ફક્ત તેની ઇચ્છાના સાધનો છીએ અને આત્માઓ માટે માત્ર આશ્રયસ્થાનો ઉત્પન્ન કરીએ છીએ, જે ફરીથી ભગવાન બનાવે છે.

જો કે, આ બધું ખાલી અટકળો છે. આ પ્રકારની ધર્મશાસ્ત્રીય દલીલો ગમે તે માટે કરવામાં આવે છે, તેઓ મારા પર બહુ પ્રભાવ પાડતા નથી. જો કે, જૂના દિવસોમાં આવી દલીલો ખૂબ જ વિશ્વાસપાત્ર મળી આવી હતી. સમય દરમિયાન ગેલીલતેઓ માનતા હતા કે "સૂર્ય આકાશની મધ્યમાં ઉભો હતો અને લગભગ આખો દિવસ પશ્ચિમ તરફ ઉતાવળ કરતો ન હતો" (જોશુઆ 10:3) અને "તમે પૃથ્વીને મજબૂત પાયા પર સ્થાપિત કરી છે; તે હંમેશ માટે હચમચી જશે નહીં” (સાલમ 103:5), સિદ્ધાંતનું પૂરતું ખંડન કર્યું કોપરનિકસ. અમારા સમયમાં, આ પ્રકારના પુરાવા પાયાવિહોણા લાગે છે. પરંતુ જ્યારે જ્ઞાનનું આધુનિક સ્તર હજી પ્રાપ્ત થયું ન હતું, ત્યારે આવી દલીલોએ સંપૂર્ણપણે અલગ છાપ ઊભી કરી.

2. "શાહમૃગ" દૃષ્ટિકોણથી વાંધો "મશીન વિચારસરણીના પરિણામો ખૂબ ભયંકર હશે. ચાલો આશા રાખીએ કે મશીનો વિચારી શકતા નથી.

આ વાંધો ભાગ્યે જ આવા ખુલ્લા સ્વરૂપમાં વ્યક્ત થાય છે. પરંતુ તે મોટાભાગના લોકો માટે ખાતરીપૂર્વક લાગે છે જેઓ તેનો વિચાર કરે છે. આપણે એવું માનીએ છીએ કે માણસ બૌદ્ધિક રીતે બાકીની પ્રકૃતિ કરતાં શ્રેષ્ઠ છે. તે શ્રેષ્ઠ રહેશે જો તે સાબિત કરી શકાય કે માણસ આવશ્યકપણે સૌથી સંપૂર્ણ અસ્તિત્વ છે, કારણ કે આ કિસ્સામાં તે તેના પ્રભાવશાળી સ્થાનને ગુમાવવાનો ડર અનુભવી શકે છે. તે સ્પષ્ટ છે કે ધર્મશાસ્ત્રીય વાંધાની લોકપ્રિયતા આ લાગણીને કારણે છે. આ લાગણી સંભવતઃ બુદ્ધિશાળી લોકોમાં ખાસ કરીને મજબૂત હોય છે, કારણ કે તેઓ અન્ય લોકો કરતા વધુ ઉચ્ચ વિચારવાની શક્તિને મહત્વ આપે છે, અને આ ક્ષમતા પર માણસની શ્રેષ્ઠતામાં તેમની માન્યતાને વધુ આધાર રાખે છે. હું માનતો નથી કે આ વાંધો કોઈપણ ખંડન માટે જરૂરી છે તેટલા નોંધપાત્ર છે. આશ્વાસન અહીં વધુ યોગ્ય રહેશે; શું આપણે તેને આત્માઓના સ્થાનાંતરણના સિદ્ધાંતમાં શોધવાનું સૂચન ન કરવું જોઈએ?

3. ગાણિતિક વાંધો. ગાણિતિક તર્કના અસંખ્ય પરિણામો છે જેનો ઉપયોગ એ બતાવવા માટે કરી શકાય છે કે અલગ રાજ્ય મશીનોની ક્ષમતાઓ પર અમુક મર્યાદાઓ છે. આ પરિણામોમાં સૌથી પ્રસિદ્ધ, ગોડેલનું પ્રમેય, દર્શાવે છે કે કોઈપણ પર્યાપ્ત શક્તિશાળી તાર્કિક પ્રણાલીમાં નિવેદનો ઘડવાનું શક્ય છે કે જ્યાં સુધી સિસ્ટમ પોતે સુસંગત ન હોય ત્યાં સુધી તે સિસ્ટમની અંદર ન તો સાબિત થઈ શકે કે ન તો સાબિત થઈ શકે. ત્યાં અન્ય છે, કેટલીક બાબતોમાં સમાન, કારણે પરિણામો ચર્ચ, ક્લીન, રોસરઅને ટ્યુરિંગ. બાદનું પરિણામ આપણા માટે ખાસ કરીને અનુકૂળ છે, કારણ કે તે મશીનો સાથે સીધો સંબંધ ધરાવે છે, જ્યારે અન્ય પરિણામોનો ઉપયોગ માત્ર પ્રમાણમાં પરોક્ષ દલીલ તરીકે થઈ શકે છે (ઉદાહરણ તરીકે, જો આપણે પ્રમેય પર આધાર રાખવાનું શરૂ કર્યું ગોડેલ, અમને મશીનોની દ્રષ્ટિએ લોજિકલ સિસ્ટમ્સ અને લોજિકલ સિસ્ટમ્સની દ્રષ્ટિએ મશીનોનું વર્ણન કરવાના કેટલાક માધ્યમોની પણ જરૂર પડશે). ટ્યુરિંગનું પરિણામ આવા મશીનનો સંદર્ભ આપે છે, જે અનિવાર્યપણે અમર્યાદિત મેમરી ક્ષમતા સાથેનું ડિજિટલ કમ્પ્યુટિંગ મશીન છે, અને તે સ્થાપિત કરે છે કે અમુક વસ્તુઓ છે જે મશીન કરી શકતું નથી. જો તેણીને "અનુકરણ રમત" ની જેમ પ્રશ્નોના જવાબો આપવા માટે ડિઝાઇન કરવામાં આવી છે, તો પછી એવા પ્રશ્નો હશે કે જેના જવાબો તે કાં તો ખોટા જવાબ આપશે અથવા જવાબ આપવામાં નિષ્ફળ જશે, પછી ભલે તેણીને આમ કરવા માટે કેટલો સમય આપવામાં આવે. અલબત્ત, આવા ઘણા પ્રશ્નો હોઈ શકે છે, અને એક મશીન દ્વારા જવાબ ન આપી શકાય તેવા પ્રશ્નો બીજા દ્વારા સંતોષકારક જવાબ આપી શકાય છે. અમે, અલબત્ત, અહીં ધારી રહ્યા છીએ કે પ્રશ્નો "હા" અથવા "ના" ના છે તેના બદલે "તમે શું વિચારો છો" પિકાસો?. નીચેના પ્રકારના પ્રશ્નો એવા છે કે જેના જવાબ આપણે જાણીએ છીએ કે મશીન જવાબ આપી શકતું નથી: "નીચેની લાક્ષણિકતા ધરાવતા મશીનને ધ્યાનમાં લો: ...શું આ મશીન હંમેશા દરેક પ્રશ્નનો જવાબ "હા" આપશે?" જો બિંદુઓની જગ્યાએ આપણે આવા મશીનનું વર્ણન (કેટલાક પ્રમાણભૂત સ્વરૂપમાં, ઉદાહરણ તરીકે, આપણે વિભાગ V માં ઉપયોગમાં લીધેલા જેવું જ) મૂકીએ છીએ, જે તે મશીનના પ્રમાણમાં સરળ સંબંધમાં છે કે જેના પર આપણે આપણો પ્રશ્ન સંબોધીએ છીએ. , તો પછી આપણે બતાવી શકીએ છીએ કે આ પ્રશ્નનો જવાબ કાં તો ખોટો હશે અથવા બિલકુલ અસ્તિત્વમાં નથી. આ ગાણિતિક પરિણામ છે; તેઓ દાવો કરે છે કે તે મશીનોની મર્યાદાઓને સાબિત કરે છે, જે માનવ મનમાં સહજ નથી. […]

આ વાંધાના જવાબ, ટૂંકમાં, નીચે મુજબ છે. તે સ્થાપિત કરવામાં આવ્યું છે કે કોઈપણ ચોક્કસ મશીનની ક્ષમતાઓ મર્યાદિત છે, પરંતુ જે વાંધાઓની તપાસ કરવામાં આવી રહી છે તેમાં કોઈ પુરાવા વિના, બિનસત્તાવાર નિવેદન છે કે આવી મર્યાદાઓ માનવ મનને લાગુ પડતી નથી. મને નથી લાગતું કે આ બાબતના આ પાસાને આટલી સરળતાથી અવગણી શકાય. જ્યારે આ પ્રકારના મશીનોમાંથી એકને સંબંધિત જટિલ પ્રશ્ન પૂછવામાં આવે છે અને તે ચોક્કસ જવાબ આપે છે, ત્યારે આપણે અગાઉથી જાણીએ છીએ કે જવાબ ખોટો હશે, અને આ આપણને ચોક્કસ શ્રેષ્ઠતાની અનુભૂતિ આપે છે. શું આ લાગણી ભ્રામક નથી? નિઃશંકપણે, તે તદ્દન નિષ્ઠાવાન હોઈ શકે છે, પરંતુ મને નથી લાગતું કે તેની સાથે વધુ મહત્વ આપવું જોઈએ. મશીનોની અયોગ્યતાને વાજબી ઠેરવવાને કારણે આપણામાં જે સંતોષની લાગણી ઉત્પન્ન થાય છે તે માટે આપણે ઘણી વાર પ્રશ્નોના ખોટા જવાબો આપીએ છીએ. વધુમાં, શ્રેષ્ઠતાની લાગણી ફક્ત તે મશીન પર જ લાગુ થઈ શકે છે જેના પર આપણે આપણી - સારમાં, ખૂબ જ નમ્ર - વિજય જીત્યો છે. બધા મશીનો પર એક સાથે વિજયની કોઈ વાત કરી શકાતી નથી. આનો અર્થ એ છે કે, ટૂંકમાં, કોઈપણ આપેલ મશીન માટે એવા લોકો હોઈ શકે છે જે તેના કરતા વધુ સ્માર્ટ હોય, પરંતુ આ કિસ્સામાં ફરીથી અન્ય, વધુ સ્માર્ટ મશીનો વગેરે હોઈ શકે છે. મને લાગે છે કે જેઓ ગાણિતિક વાંધામાં વ્યક્ત કરેલા અભિપ્રાયને શેર કરે છે તેઓ સામાન્ય રીતે "અનુકરણ રમત" ને વધુ વિચારણા માટેના આધાર તરીકે સ્વીકારવા તૈયાર હશે. જેઓ અગાઉના બે વાંધાઓની માન્યતાની ખાતરી કરે છે તેઓ કદાચ કોઈ માપદંડમાં રસ ધરાવતા નથી.

ફિઝિયોલોજી સિમ્યુલેશન
હકીકત એ છે કે "કૃત્રિમ બુદ્ધિ" શબ્દ (તે રીતે, ધીમે ધીમે "બુદ્ધિશાળી પ્રણાલીઓ", "નિર્ણય લેવાની પદ્ધતિઓ", "ડેટા માઇનિંગ" ની વિભાવનાઓ દ્વારા બદલવામાં આવે છે) શરૂઆતમાં મોડેલોના મોટા વર્ગને સમાવિષ્ટ માનવામાં આવતું હતું. અને એલ્ગોરિધમ્સ કે જે માનવ મગજની જેમ જ કામ કરવાના હતા (તે સમયના વિચારો અનુસાર).
આમાં, ઉદાહરણ તરીકે, તમામ પટ્ટાઓ અને આનુવંશિક અલ્ગોરિધમ્સના કુખ્યાત ન્યુરલ નેટવર્કનો સમાવેશ થાય છે.

સારાંશ, આંકડા અને વિશ્લેષણ
બીજી બાજુ, કહેવાતા AI ની ઘણી પદ્ધતિઓ ગણિતની શાખાઓના વિકાસ સિવાય બીજું કંઈ નથી: આંકડાશાસ્ત્ર, કામગીરી સંશોધન, ટોપોલોજી અને મેટ્રિક જગ્યાઓ. આમાં ડેટા માઇનિંગ અને નોલેજ ડેટા ડિસ્કવરી, ક્લસ્ટર વિશ્લેષણ, દલીલોના જૂથ એકાઉન્ટિંગની પદ્ધતિ અને અન્યનો સમાવેશ થાય છે.

આ કહેવાતા પ્રેરક અનુમાનની પદ્ધતિઓ છે, જ્યારે ઉપલબ્ધ ડેટાના આધારે સામાન્ય પેટર્ન મેળવવામાં આવે છે.

નિયમો, તર્ક, નિષ્કર્ષ
ત્રીજા વિશેષ જૂથમાં એવી પદ્ધતિઓનો સમાવેશ થાય છે જે સામાન્ય પેટર્ન બનાવવાનો પ્રયાસ કરે છે અને ચોક્કસ તથ્યો સંબંધિત તારણો કાઢવા માટે તેનો ઉપયોગ કરે છે. આ અનુમાણિક અનુમાનની પદ્ધતિઓ છે, અને તે આના દ્વારા રજૂ થાય છે: એરિસ્ટોટલની સિલોજિસ્ટિક, જે વિશ્વ જેટલી જૂની છે, દરખાસ્તો અને આગાહીઓની ગણતરી, વિવિધ ઔપચારિક પ્રણાલીઓ અને તર્કશાસ્ત્ર. ઔપચારિક અને કુદરતી ભાષાઓના સિદ્ધાંતો, વિવિધ જનરેટિવ વ્યાકરણો, ત્યાં ધાર પર હતા.

આપણે જોઈએ છીએ કે સામાન્ય રીતે "AI" તરીકે ઓળખાતી દરેક વસ્તુ સિમ્યુલેશન દ્વારા અથવા તાર્કિક રીતે ઉકેલવાનો પ્રયાસ કરે છે અનુકરણનું કાર્યમાનવ બુદ્ધિ.

પ્રશ્ન ઊભો થાય છે: વ્યક્તિ શું કરે છે જે એટલું ચોક્કસ છે કે આધુનિક કમ્પ્યુટર્સ, જે બેબેજના સિદ્ધાંતો અનુસાર બનાવવામાં આવ્યા છે, તે હજી સુધી કરી રહ્યા નથી?
AI જે કાર્યો સાથે વ્યવહાર કરે છે તેની એક વ્યાખ્યા છે: “જેના માટે કાર્ય ત્યાં કોઈ અલ્ગોરિધમિક ઉકેલ નથીઅથવા તે કોમ્પ્યુટેશનલ જટિલતાના કારણોસર લાગુ પડતું નથી».

આમ, ઉદાહરણ તરીકે, ચેકર્સ વગાડવાનું કાર્ય એક સમયે AI કાર્ય હતું, અને સંપૂર્ણ મોડેલ બનાવ્યા પછી અને અયોગ્ય ચાલનો સંપૂર્ણ ડેટાબેઝ એકત્રિત કર્યા પછી, તે ફક્ત માહિતી આધાર (જુઓ અને) દ્વારા શોધવાની સમસ્યામાં ફેરવાઈ ગયું.

AI પડકારો સમય સાથે બદલાય છે
કદાચ આપણા બાળકો માહિતીની દુનિયામાં જીવશે, જ્યારે ઘણી સમસ્યાઓ હલ થશે અને નવી ઊભી થશે - કુદરતી ભાષાઓમાં સંચારથી લઈને તમામ પ્રકારના સાધનો અને મિકેનિઝમ્સના સ્વચાલિત નિયંત્રણ સુધી.

જો કે, જ્યારે આપણામાંના દરેકે "કૃત્રિમ બુદ્ધિ" શબ્દો સાંભળ્યા ત્યારે અમને કંઈક અલગ જોઈતું હતું.
અમે કરી શકે તેવી કાર મેળવવા માંગતા હતા વિચારોજેમની પાસે મૂળભૂત શિક્ષણ અને સામાન્યીકરણ કુશળતા છે; સક્ષમ, જીવંત જીવોની જેમ, કેટલાક અવયવોને અન્ય સાથે બદલવા અને સુધારવામાં. દરેક વ્યક્તિએ પ્રારંભિક વિજ્ઞાન સાહિત્ય વાંચ્યું છે, બરાબર ને?

ત્યાં કોઈ છોકરો હતો?
તો બુદ્ધિ ક્યાં ખોવાઈ ગઈ? આપણે જે જોવા માગીએ છીએ તે ક્યારે અને શા માટે નીરસ ગાણિતિક મોડલ અને તેના બદલે અસ્પષ્ટ અલ્ગોરિધમ્સ બની ગયું?

ઑફટૉપિકની બે પંક્તિઓ. જો તમે "બૌદ્ધિક" શબ્દ સાથે થીસીસનો બચાવ કરો છો, તો બોર્ડના સભ્યો સામાન્ય રીતે તમને સિસ્ટમમાં બૌદ્ધિક છે તે સ્થાન ઓળખવા અને તે શા માટે છે તે સાબિત કરવા માટે કહેશે. આ પ્રશ્ન એવા લોકો સાથે સંબંધિત છે જેઓ સંપૂર્ણપણે "અનુત્તર" છે.

હકીકત એ છે કે જે લોકો આધુનિક "AI" પર આધારિત છે તે દરેક વસ્તુ સાથે આવ્યા હતા તેઓ તે સમય માટે નવીન અને ક્રાંતિકારી વિચારો દ્વારા સંચાલિત હતા (હકીકતમાં, અમારો સમય ફક્ત એટલો જ અલગ છે કે આપણે આ બધા સાથે પહેલેથી જ ઘણું રમી ચૂક્યા છીએ, જેમાં આધુનિક કમ્પ્યુટિંગ પાવરનો ઉપયોગ કરીને)

ઉદાહરણ 1 (અજાણ્યાના ક્ષેત્રમાંથી).
બેકપ્રોપેગેશન એલ્ગોરિધમ (કહેવાતા બેક-પ્રોપેગેશન) સાથે ફોરવર્ડ સિગ્નલ પ્રચારના ન્યુરલ નેટવર્ક. આ ચોક્કસપણે એક સફળતા છે.
યોગ્ય રીતે રૂપરેખાંકિત નેટવર્ક (ચતુરાઈથી પસંદ કરેલા ઇનપુટ્સ અને આઉટપુટ સાથે) કોઈપણ ઇનપુટ ક્રમ શીખી શકે છે અને તે શીખવવામાં આવ્યું ન હોય તેવા ઉદાહરણોને સફળતાપૂર્વક ઓળખી શકે છે.
એક લાક્ષણિક પ્રયોગ નીચે પ્રમાણે ઘડવામાં આવ્યો છે: 1000 ઉદાહરણો, જેમાંથી અડધા પર આપણે અલ્ગોરિધમ શીખવીએ છીએ, અને બીજા પર આપણે તેનું પરીક્ષણ કરીએ છીએ. અને પ્રથમ અને બીજા ભાગની પસંદગી રેન્ડમ રીતે કરવામાં આવે છે.
તે કામ કરે છે, મેં વ્યક્તિગત રીતે જુદા જુદા કાર્યો માટે ઓછામાં ઓછા 10 વખત જુદા જુદા ન્યુરલ નેટવર્કને શીખવ્યું અને 60-90% સાચા જવાબો સાથે સામાન્ય પરિણામો મેળવ્યા.

ન્યુરલ નેટવર્કમાં શું સમસ્યા છે? શા માટે તેઓ અસલી બુદ્ધિ ધરાવતા નથી?
1. ઇનપુટ ડેટા લગભગ હંમેશા ખૂબ જ કાળજીપૂર્વક તૈયાર અને પૂર્વ-પ્રક્રિયા કરવાની જરૂર છે. નેટવર્ક્સ માટે ડેટાને ખાદ્ય બનાવવા માટે ઘણી વખત ટન કોડ અને ફિલ્ટર્સ કરવામાં આવે છે. નહિંતર, નેટવર્ક વર્ષો સુધી અભ્યાસ કરશે અને કંઈપણ શીખશે નહીં.
2. NN તાલીમનું પરિણામ અર્થઘટન અને સમજાવી શકાતું નથી. અને નિષ્ણાત ખરેખર આ ઇચ્છે છે.
3. નેટવર્ક્સ ઘણીવાર શીખવાની પેટર્નને બદલે ઉદાહરણોને સરળ રીતે યાદ રાખે છે. નેટવર્ક બનાવવાની કોઈ ચોક્કસ રીતો નથી કે જે પેટર્નનું પ્રતિનિધિત્વ કરવા માટે પૂરતું સ્માર્ટ હોય અને સમગ્ર નમૂનાને મૂર્ખતાપૂર્વક યાદ રાખવા માટે પૂરતી ક્ષમતા ધરાવતું ન હોય.

ન્યુરલ નેટવર્ક્સની બુદ્ધિ શું છે?
હકીકત એ છે કે આપણે સિસ્ટમને સમસ્યાનું નિરાકરણ કરવાનું શીખવ્યું નથી, અમે તેને સમસ્યાઓ ઉકેલવાનું શીખવ્યું છે. વ્યક્તિના લિંગને નિર્ધારિત કરવા માટેનું અલ્ગોરિધમ માનવો દ્વારા સિસ્ટમમાં બનાવવામાં આવ્યું નથી; આ બુદ્ધિનું તત્વ છે.

ઉદાહરણ 2 (આનુમાનિક અનુમાનના ક્ષેત્રમાંથી).
વિચાર સરળ છે. ચાલો મશીનને માણસની જેમ વિચારવાનું શીખવીએ (સારું, ઓછામાં ઓછું આદિમ તારણો દોરો) અને મૂળભૂત હકીકતો આપો. આગળ, તેણીને તે જાતે કરવા દો.
નિષ્ણાત સિસ્ટમ્સ, મશીન લોજિક સિસ્ટમ્સ અને ઓન્ટોલોજી (કેટલાક ખેંચાણ સાથે) આ સિદ્ધાંત અનુસાર કાર્ય કરે છે. શું તે કામ કરે છે? બેશક. રોગોનું નિદાન કરવા અને જ્ઞાનના ક્ષેત્રોનું વર્ણન કરવા માટેની હજારો પ્રણાલીઓ લાગુ કરવામાં આવી છે અને કામ કરવાનું ચાલુ રાખે છે.

શું સમસ્યા છે? શા માટે ઔપચારિક પ્રણાલીઓ સાચી બુદ્ધિ નથી?
સમસ્યા એ છે કે સિસ્ટમ, તેના સર્જકોના લોહી અને પરસેવાના મોટા પ્રમાણમાં શોષી લે છે, ઓછામાં ઓછું, તેને શીખવનાર નિષ્ણાત (અથવા સમુદાય)ના નિર્ણયોનું પુનરાવર્તન અને વિકાસ કરવાનું શરૂ કરે છે.
શું આ ઉપયોગી છે? બેશક. નિષ્ણાત નશ્વર છે, કાર્યો ગુણાકાર કરે છે.

જ્ઞાન આધારિત પ્રણાલીઓની બુદ્ધિ શું છે?
હકીકત એ છે કે મશીન નવા તારણો કાઢે છે કે કોઈએ તેને શીખવ્યું નથી. તેના કાર્યનું આ તત્વ અત્યંત નબળું છે (હમણાં માટે) અને તે મોડલ અને અલ્ગોરિધમ્સ દ્વારા મર્યાદિત છે જે નીચે મૂકવામાં આવ્યા હતા. પણ આ બુદ્ધિનું તત્વ છે.

તો આધુનિક AI માં શું સમસ્યા છે?
અમે હજુ પણ ઘણા નાના છીએ. વ્યક્તિ કેવી રીતે વિચારે છે અને મગજ કેવી રીતે કાર્ય કરે છે તે વિશેના આપણા નિષ્કપટ અને ઉપરછલ્લા વિચારો તેઓ લાયક પરિણામો ઉત્પન્ન કરે છે.

અલબત્ત, આપણે એવા મશીનો બનાવવાથી અવિશ્વસનીય રીતે દૂર છીએ જે આપણા માનવીય અર્થમાં વિચારી શકે, પરંતુ આ દિશામાં આપણા પગલાં યોગ્ય અને ઉપયોગી છે.

અને જો આપણે ખોટી દિશામાં જઈએ તો પણ, કોણ જાણે છે, કદાચ, સ્ટ્રુગેટસ્કીની જેમ, આપણે, નિર્દેશિત પ્રયત્નોના પરિણામે, આકસ્મિક રીતે આપણે ધાર્યા કરતાં વધુ સારું કંઈક કરીશું?

ક્લાસિક આર્ટિફિશિયલ ઇન્ટેલિજન્સ થિંકિંગ મશીનોમાં મૂર્તિમંત થવાની શક્યતા નથી; આ ક્ષેત્રમાં માનવ ચાતુર્યની મર્યાદા મગજના કાર્યનું અનુકરણ કરતી સિસ્ટમ્સના નિર્માણ સુધી મર્યાદિત લાગે છે.

આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI)નું વિજ્ઞાન ક્રાંતિમાંથી પસાર થઈ રહ્યું છે. તેના કારણો અને અર્થ સમજાવવા અને તેને પરિપ્રેક્ષ્યમાં મૂકવા માટે, આપણે પહેલા ઇતિહાસ તરફ વળવું જોઈએ.

1950 ના દાયકાની શરૂઆતમાં, મશીન વિચારી શકે છે કે કેમ તે અંગેના પરંપરાગત, કંઈક અંશે અસ્પષ્ટ પ્રશ્ને વધુ સુલભ પ્રશ્નને માર્ગ આપ્યો કે શું એક મશીન જે ભૌતિક પ્રતીકોને તેમના બંધારણને ધ્યાનમાં લેતા નિયમો અનુસાર ચાલાકી કરે છે તે વિચારી શકે છે. આ પ્રશ્ન વધુ ચોક્કસ રીતે ઘડવામાં આવ્યો છે કારણ કે ઔપચારિક તર્કશાસ્ત્ર અને ગણતરીનો સિદ્ધાંત અગાઉની અડધી સદીમાં નોંધપાત્ર રીતે આગળ વધ્યો છે. સિદ્ધાંતવાદીઓએ અમૂર્ત પ્રતીક પ્રણાલીઓની શક્યતાઓની પ્રશંસા કરવાનું શરૂ કર્યું જે ચોક્કસ નિયમો અનુસાર પરિવર્તનોમાંથી પસાર થાય છે. એવું લાગતું હતું કે જો આ સિસ્ટમ્સ સ્વચાલિત થઈ શકે, તો તેમની અમૂર્ત કમ્પ્યુટિંગ શક્તિ વાસ્તવિક ભૌતિક સિસ્ટમમાં પોતાને પ્રગટ કરશે. આવા મંતવ્યો એકદમ ઊંડા સૈદ્ધાંતિક ધોરણે સારી રીતે વ્યાખ્યાયિત સંશોધન કાર્યક્રમના જન્મમાં ફાળો આપે છે.

શું મશીન વિચારી શકે?

હા જવાબ આપવાના ઘણા કારણો હતા. ઐતિહાસિક રીતે, ગણતરીના સિદ્ધાંતના બે મહત્વપૂર્ણ પરિણામોમાંનું એક પ્રથમ અને સૌથી ગહન કારણ છે. પ્રથમ પરિણામ ચર્ચની થીસીસ હતું કે દરેક અસરકારક રીતે ગણતરી કરી શકાય તેવું કાર્ય પુનરાવર્તિત રીતે ગણતરી કરી શકાય તેવું છે. "કાર્યક્ષમ રીતે ગણનાપાત્ર" શબ્દનો અર્થ એવો થાય છે કે અમુક "યાંત્રિક" પ્રક્રિયા છે જેનો ઉપયોગ મર્યાદિત સમયમાં ઇનપુટ ડેટા આપેલ પરિણામની ગણતરી કરવા માટે કરી શકાય છે. "રિકર્સિવલી કમ્પ્યુટેબલ" નો અર્થ એ છે કે ત્યાં કામગીરીનો એક મર્યાદિત સમૂહ છે જે આપેલ ઇનપુટ પર લાગુ કરી શકાય છે અને પછી મર્યાદિત સમયમાં કાર્યનું મૂલ્યાંકન કરવા માટે નવા પ્રાપ્ત પરિણામો પર ક્રમિક અને વારંવાર લાગુ કરી શકાય છે. યાંત્રિક પ્રક્રિયાનો ખ્યાલ ઔપચારિક નથી, પરંતુ સાહજિક છે, અને તેથી ચર્ચની થીસીસ પાસે કોઈ ઔપચારિક પુરાવા નથી. જો કે, તે કમ્પ્યુટિંગ શું છે તેના હૃદય સુધી પહોંચે છે, અને તેના સમર્થન માટે ઘણાં વિવિધ પુરાવા ભેગા થાય છે.

બીજું મહત્વનું પરિણામ એલન એમ. ટ્યુરિંગ દ્વારા મેળવવામાં આવ્યું હતું, જેમણે દર્શાવ્યું હતું કે કોઈપણ પુનરાવર્તિત ગણતરી કરી શકાય તેવા કાર્યની ગણતરી મર્યાદિત સમયમાં મહત્તમ સરળ સિમ્બોલ-મેનિપ્યુલેટીંગ મશીનનો ઉપયોગ કરીને કરી શકાય છે, જે પાછળથી સાર્વત્રિક ટ્યુરિંગ મશીન તરીકે જાણીતું બન્યું. આ મશીન પુનરાવર્તિત લાગુ પડતા નિયમો દ્વારા સંચાલિત થાય છે જે પ્રારંભિક પ્રતીકોની ઓળખ, ક્રમ અને ગોઠવણ પ્રત્યે સંવેદનશીલ હોય છે જે ઇનપુટ તરીકે કાર્ય કરે છે.

આ બે પરિણામોમાંથી એક ખૂબ જ મહત્વપૂર્ણ પરિણામ આવે છે, એટલે કે પ્રમાણભૂત ડિજિટલ કમ્પ્યુટર, યોગ્ય પ્રોગ્રામ, પૂરતી મોટી મેમરી, અને પૂરતો સમય આપવામાં આવે છે, ઇનપુટ અને આઉટપુટ સાથે કોઈપણ નિયમ-શાસિત કાર્યની ગણતરી કરી શકે છે. બીજા શબ્દોમાં કહીએ તો, તે બાહ્ય વાતાવરણમાંથી સ્વૈચ્છિક પ્રભાવોને પ્રતિભાવોના કોઈપણ વ્યવસ્થિત સમૂહનું નિદર્શન કરી શકે છે.

ચાલો આપણે આને નીચે મુજબ સ્પષ્ટ કરીએ: ઉપર ચર્ચા કરેલ પરિણામોનો અર્થ એ છે કે યોગ્ય રીતે પ્રોગ્રામ કરેલ સિમ્બોલ-મેનિપ્યુલેટીંગ મશીન (આપણે હવેથી તેને MS મશીન કહીશું)એ સભાન મનની હાજરી માટે ટ્યુરિંગ ટેસ્ટને સંતોષવી જોઈએ. ટ્યુરિંગ ટેસ્ટ એ કેવળ વર્તનવાદી કસોટી છે, છતાં તેની જરૂરિયાતો ખૂબ જ મજબૂત છે. (અમે નીચે વિચારણા કરીશું કે આ કસોટી કેટલી માન્ય છે, જ્યાં આપણે સભાન મનની હાજરી માટે એક સેકન્ડ, મૂળભૂત રીતે અલગ "પરીક્ષણ" મેળવીએ છીએ.) ટ્યુરિંગ ટેસ્ટના મૂળ સંસ્કરણ મુજબ, MS મશીનમાં ઇનપુટ પ્રશ્નો હોવા જોઈએ. અને પ્રાકૃતિક બોલાતી ભાષામાં શબ્દસમૂહો કે જે આપણે ઇનપુટ ઉપકરણના કીબોર્ડ પર ટાઇપ કરીએ છીએ અને આઉટપુટ એ આઉટપુટ ઉપકરણ દ્વારા મુદ્રિત MS મશીનના પ્રતિભાવો છે. મશીનને સભાન મનની હાજરી માટે આ કસોટી પાસ કરી હોવાનું કહેવાય છે જો તેના પ્રતિભાવો વાસ્તવિક, બુદ્ધિશાળી વ્યક્તિ દ્વારા ટાઈપ કરેલા પ્રતિભાવોથી અલગ ન કરી શકાય. અલબત્ત, હાલમાં કોઈ એ કાર્યને જાણતું નથી કે જેની મદદથી તે આઉટપુટ મેળવવાનું શક્ય બનશે જે વાજબી વ્યક્તિના વર્તનથી અલગ ન હોય. પરંતુ ચર્ચ અને ટ્યુરિંગના પરિણામો અમને ખાતરી આપે છે કે આ (સંભવતઃ કાર્યક્ષમ) કાર્ય ગમે તે હોય, યોગ્ય ડિઝાઇનનું MS મશીન તેની ગણતરી કરી શકશે.

આ એક ખૂબ જ મહત્વપૂર્ણ નિષ્કર્ષ છે, ખાસ કરીને ટ્યુરિંગનું ટાઈપરાઈટરનો ઉપયોગ કરીને મશીન સાથેની ક્રિયાપ્રતિક્રિયાનું વર્ણન એક નજીવી મર્યાદા દર્શાવે છે. જો એમએસ મશીન વિશ્વ સાથે વધુ જટિલ રીતે સંપર્ક કરે તો પણ તે જ નિષ્કર્ષ માન્ય રહે છે: પ્રત્યક્ષ દ્રષ્ટિ, પ્રાકૃતિક વાણી, વગેરેના ઉપકરણનો ઉપયોગ કરીને. અંતે, વધુ જટિલ પુનરાવર્તિત કાર્ય હજુ પણ ટ્યુરિંગ કમ્પ્યુટેબલ રહે છે. ત્યાં માત્ર એક જ સમસ્યા બાકી છે: તે નિઃશંકપણે જટિલ કાર્ય શોધવા માટે કે જે બાહ્ય પર્યાવરણના પ્રભાવોને માનવ પ્રતિભાવોને નિયંત્રિત કરે છે, અને પછી એક પ્રોગ્રામ (ઘણા વારંવાર લાગુ પડતા નિયમો) લખો જેની મદદથી MS મશીન આ કાર્યની ગણતરી કરશે. આ લક્ષ્યો શાસ્ત્રીય કૃત્રિમ બુદ્ધિના વૈજ્ઞાનિક કાર્યક્રમનો આધાર બનાવે છે.

પ્રથમ પરિણામો પ્રોત્સાહક હતા

ચતુરાઈથી રચાયેલ પ્રોગ્રામ્સ સાથેના MS મશીનોએ સંખ્યાબંધ ક્રિયાઓ દર્શાવી છે જે મનના અભિવ્યક્તિઓ સાથે સંબંધિત હોય તેવું લાગે છે. તેઓએ જટિલ આદેશોનો જવાબ આપ્યો, મુશ્કેલ અંકગણિત, બીજગણિત અને વ્યૂહાત્મક સમસ્યાઓ હલ કરી, ચેકર્સ અને ચેસ રમ્યા, પ્રમેય સાબિત કર્યા અને સરળ સંવાદ જાળવી રાખ્યા. મોટા સ્ટોરેજ ઉપકરણો, ઝડપી મશીનો અને વધુ શક્તિશાળી અને અત્યાધુનિક પ્રોગ્રામ્સના વિકાસ સાથે પરિણામોમાં સુધારો થતો રહ્યો. ક્લાસિકલ અથવા "પ્રોગ્રામિંગ-આધારિત" AI લગભગ દરેક દૃષ્ટિકોણથી ખૂબ જ ગતિશીલ અને સફળ વૈજ્ઞાનિક ક્ષેત્ર હતું. એમએસ મશીનો આખરે વિચારવા માટે સક્ષમ હશે તે સામયિક ઇનકાર પક્ષપાતી અને અજાણ્યા લાગતું હતું. લેખના શીર્ષકમાં પૂછાયેલા પ્રશ્નના સકારાત્મક જવાબની તરફેણમાં પુરાવાઓ ખાતરી કરતાં વધુ લાગતા હતા.

અલબત્ત, કેટલીક અનિશ્ચિતતાઓ રહી. સૌ પ્રથમ, MS મશીનો માનવ મગજ સાથે નજીકથી મળતા નથી. જો કે, અહીં પણ, ક્લાસિકલ AI પાસે ખાતરીપૂર્વક જવાબ તૈયાર હતો. સૌપ્રથમ, ભૌતિક સામગ્રી કે જેમાંથી MS મશીન બનાવવામાં આવે છે તેને તે જે કાર્યની ગણતરી કરે છે તેની સાથે અનિવાર્યપણે કોઈ લેવાદેવા નથી. બાદમાં કાર્યક્રમમાં રેકોર્ડ થયેલ છે. બીજું, મશીનના કાર્યાત્મક આર્કિટેક્ચરની તકનીકી વિગતોથી પણ કોઈ ફરક પડતો નથી, કારણ કે સંપૂર્ણપણે અલગ આર્કિટેક્ચર, સંપૂર્ણપણે અલગ પ્રોગ્રામ્સ સાથે કામ કરવા માટે રચાયેલ છે, તેમ છતાં સમાન ઇનપુટ-આઉટપુટ કાર્ય કરી શકે છે.

તેથી, AI નું ધ્યેય એવા ફંક્શનને શોધવાનું હતું જેમાં મનની ઈનપુટ અને આઉટપુટ લાક્ષણિકતા હોય, અને આ ફંક્શનની ગણતરી કરવા માટે ઘણા સંભવિત પ્રોગ્રામ્સમાંથી સૌથી વધુ કાર્યક્ષમ બનાવવાનું પણ હતું. તે જ સમયે, તેઓએ કહ્યું કે માનવ મગજ દ્વારા કાર્યની ગણતરી જે ચોક્કસ રીતે કરવામાં આવે છે તેનાથી કોઈ ફરક પડતો નથી. આ શાસ્ત્રીય AI ના સારનું વર્ણન અને લેખના શીર્ષકમાં પૂછાયેલા પ્રશ્નના હકારાત્મક જવાબ માટેના આધારને પૂર્ણ કરે છે.

શું મશીન વિચારી શકે? નકારાત્મક જવાબની તરફેણમાં કેટલીક દલીલો પણ હતી. 1960 ના દાયકા દરમિયાન, નોંધપાત્ર નકારાત્મક દલીલો પ્રમાણમાં દુર્લભ હતી. ક્યારેક વાંધો વ્યક્ત કરવામાં આવ્યો છે કે વિચાર એ ભૌતિક પ્રક્રિયા નથી અને તે અભૌતિક આત્મામાં થાય છે. જો કે, આવો દ્વૈતવાદી દૃષ્ટિકોણ ઉત્ક્રાંતિવાદી અથવા તાર્કિક દૃષ્ટિકોણથી પૂરતો વિશ્વાસપાત્ર લાગતો નથી. AI સંશોધન પર તેની ચિલિંગ અસર થઈ નથી.

અલગ પ્રકૃતિની વિચારણાઓએ AI નિષ્ણાતો તરફથી વધુ ધ્યાન આકર્ષિત કર્યું છે. 1972 માં, હ્યુબર્ટ એલ. ડ્રેફસે એક પુસ્તક પ્રકાશિત કર્યું જેમાં AI સિસ્ટમ્સમાં બુદ્ધિમત્તાના પ્રદર્શનની પરેડની તીવ્ર ટીકા કરવામાં આવી હતી. તેમણે ધ્યાન દોર્યું કે આ પ્રણાલીઓ સાચી વિચારસરણીને પર્યાપ્ત રીતે મોડેલ કરતી નથી, અને તેમણે આ તમામ નિષ્ફળ પ્રયાસોમાં સહજ એક પેટર્ન જાહેર કરી. તેમના મતે, મોડેલોમાં વિશ્વ વિશેના અનૌપચારિક સામાન્ય જ્ઞાનના વિશાળ સ્ટોકનો અભાવ હતો જે કોઈપણ વ્યક્તિ પાસે હોય છે, તેમજ બદલાતી પરિસ્થિતિની જરૂરિયાતોને આધારે આ જ્ઞાનના અમુક ઘટકો પર આધાર રાખવાની સામાન્ય સમજમાં રહેલી ક્ષમતાનો અભાવ હતો. ડ્રેફસે વિચારવા માટે સક્ષમ કૃત્રિમ ભૌતિક પ્રણાલી બનાવવાની મૂળભૂત સંભાવનાને નકારી ન હતી, પરંતુ તે આ વિચારની ખૂબ ટીકા કરતા હતા કે આ ફક્ત વારંવાર લાગુ નિયમોનો ઉપયોગ કરીને પ્રતીકોની હેરફેર દ્વારા જ પ્રાપ્ત કરી શકાય છે.

આર્ટિફિશિયલ ઇન્ટેલિજન્સ નિષ્ણાતોના વર્તુળોમાં, તેમજ ફિલસૂફો, તર્ક ડ્રેફસસંશોધનના આ હજુ પણ ખૂબ જ યુવાન ક્ષેત્રમાં સહજ અનિવાર્ય સરળીકરણોના આધારે, મુખ્યત્વે ટૂંકી દૃષ્ટિ અને પક્ષપાતી તરીકે જોવામાં આવ્યા હતા. કદાચ આ ખામીઓ ખરેખર આવી હતી, પરંતુ તે, અલબત્ત, અસ્થાયી હતી. તે સમય આવશે જ્યારે વધુ શક્તિશાળી મશીનો અને વધુ સારા સોફ્ટવેર આ ખામીઓને દૂર કરશે. એવું લાગતું હતું કે સમય આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે કામ કરી રહ્યો છે. આમ, આ વાંધાઓની એઆઈના ક્ષેત્રમાં વધુ સંશોધન પર કોઈ નોંધપાત્ર અસર થઈ નથી.

જો કે, તે બહાર આવ્યું છે કે સમય માટે પણ કામ કર્યું ડ્રેફસ: 70 ના દાયકાના અંતમાં અને 80 ના દાયકાની શરૂઆતમાં, કોમ્પ્યુટરની ઝડપ અને મેમરી ક્ષમતામાં વધારો થવાથી તેમની "માનસિક ક્ષમતાઓ" ખૂબ વધી નથી. તે બહાર આવ્યું છે, ઉદાહરણ તરીકે, કમ્પ્યુટર વિઝન સિસ્ટમ્સમાં પેટર્નની ઓળખ માટે અણધારી રીતે મોટી માત્રામાં ગણતરીની જરૂર પડે છે. વ્યવહારીક રીતે ભરોસાપાત્ર પરિણામો મેળવવા માટે, જૈવિક દ્રષ્ટિ પ્રણાલીને સમાન કાર્યો કરવા માટે જરૂરી સમય કરતાં વધુ અને વધુ કમ્પ્યુટર સમય પસાર કરવો જરૂરી હતો. આવી ધીમી મોડેલિંગ પ્રક્રિયા ચિંતાજનક હતી: છેવટે, કમ્પ્યુટરમાં, સિગ્નલો મગજ કરતાં લગભગ એક મિલિયન ગણી ઝડપથી મુસાફરી કરે છે, અને કમ્પ્યુટરના સેન્ટ્રલ પ્રોસેસિંગ યુનિટની ઘડિયાળની ગતિ કોઈપણ ફ્રિકવન્સી કરતાં લગભગ એટલી જ ગણી વધારે છે. મગજમાં સ્પંદનો જોવા મળે છે. અને તેમ છતાં, વાસ્તવિક સમસ્યાઓ પર, કાચબો સરળતાથી સસલાને પાછળ રાખી દે છે.

વધુમાં, વાસ્તવિક સમસ્યાઓ ઉકેલવા માટે જરૂરી છે કે કમ્પ્યુટર પ્રોગ્રામને અત્યંત મોટા ડેટાબેઝની ઍક્સેસ હોય. આવા ડેટાબેઝનું નિર્માણ કરવું એ પોતે જ એક પડકાર છે, પરંતુ તે વાસ્તવિક સમયમાં ડેટાબેઝના ચોક્કસ, સંદર્ભ-વિશિષ્ટ ભાગોને કેવી રીતે ઍક્સેસ કરવું તે પડકાર દ્વારા જટિલ છે. જેમ જેમ ડેટાબેઝ વધુ કેપેસિઅસ બનતા ગયા તેમ તેમ એક્સેસ સમસ્યા વધુ જટિલ બની. એક સંપૂર્ણ શોધમાં ઘણો લાંબો સમય લાગ્યો, અને હ્યુરિસ્ટિક પદ્ધતિઓ હંમેશા સફળ થતી ન હતી. કૃત્રિમ બુદ્ધિમત્તાના ક્ષેત્રમાં કામ કરતા કેટલાક નિષ્ણાતોએ પણ ડ્રેફસ દ્વારા વ્યક્ત કરાયેલી ચિંતાઓ સમાન ચિંતાઓ શેર કરવાનું શરૂ કર્યું છે.

આ સમયની આસપાસ (1980), જ્હોન સેરલે મૂળભૂત રીતે નવી જટિલ ખ્યાલનો પ્રસ્તાવ મૂક્યો જેણે શાસ્ત્રીય AI સંશોધન કાર્યક્રમની ખૂબ જ મૂળભૂત ધારણાને પડકારી હતી, એટલે કે આ વિચાર કે સંરચિત પ્રતીકોની યોગ્ય હેરફેર નિયમોને વારંવાર લાગુ કરીને તેમની રચનાને ધ્યાનમાં લઈ શકે છે. સભાન મનનો સાર.

સેરલની મુખ્ય દલીલ એક વિચાર પ્રયોગ પર આધારિત હતી જેમાં તે બે ખૂબ જ મહત્વપૂર્ણ બાબતો દર્શાવે છે. પ્રથમ, તે એક MS મશીનનું વર્ણન કરે છે જે (આપણે સમજવું જોઈએ) એક ફંક્શનને અમલમાં મૂકે છે જેનું ઇનપુટ અને આઉટપુટ સંપૂર્ણપણે ચાઇનીઝમાં થતી વાતચીતની ટ્યુરિંગ ટેસ્ટ પાસ કરી શકે છે. બીજું, મશીનનું આંતરિક માળખું એવું છે કે તે ગમે તે પ્રકારનું વર્તન દર્શાવે છે, નિરીક્ષકના મનમાં કોઈ શંકા નથી કે સમગ્ર મશીન અથવા તેનો કોઈપણ ભાગ ચાઈનીઝ સમજી શકતો નથી. તેમાં ફક્ત એક વ્યક્તિ છે જે ફક્ત અંગ્રેજી બોલે છે, સૂચનાઓમાં લખેલા નિયમોને અનુસરીને, જેની મદદથી તમારે દરવાજાની મેઇલ વિંડોમાંથી પ્રવેશતા અને બહાર નીકળતા ચિહ્નોની હેરફેર કરવી જોઈએ. ટૂંકમાં, સિસ્ટમ ટ્યુરિંગ ટેસ્ટને હકારાત્મક રીતે સંતુષ્ટ કરે છે, તે હકીકત હોવા છતાં કે તેની પાસે ચાઇનીઝ ભાષાની સાચી સમજણ અને સંદેશાઓની વાસ્તવિક સિમેન્ટીક સામગ્રી નથી (જુઓ. જે. સેરલનો લેખ "મગજનું મન એ કમ્પ્યુટર પ્રોગ્રામ છે? ").

સામાન્ય નિષ્કર્ષ એ છે કે બંધારણ-સંવેદનશીલ નિયમો અનુસાર ભૌતિક ચિહ્નોની ચાલાકી કરતી કોઈપણ સિસ્ટમ, શ્રેષ્ઠ રીતે, વાસ્તવિક સભાન મનની નબળી પેરોડી હશે, કારણ કે ફક્ત "વાસ્તવિક અર્થશાસ્ત્ર" નું નિર્માણ કરવું અશક્ય છે. ખાલી વાક્યરચના." અહીં એ નોંધવું જોઈએ કે સેરલે ચેતનાની હાજરી માટે બિન-વર્તણૂકલક્ષી કસોટી આગળ ધપાવે છે: સભાન મનના ઘટકોમાં વાસ્તવિક અર્થપૂર્ણ સામગ્રી હોવી જોઈએ.

તેના વિચાર પ્રયોગની અપૂરતીતા માટે સેરલેને દોષ આપવા તે આકર્ષે છે, કારણ કે તેની સૂચિત રુબિક્સ ક્યુબ સિસ્ટમ વાહિયાત રીતે ધીમી હશે. જો કે, સેરલે ભારપૂર્વક જણાવ્યું છે કે આ કિસ્સામાં ઝડપ કોઈ ભૂમિકા ભજવતી નથી. જે ધીરે ધીરે વિચારે છે તે હજુ પણ યોગ્ય રીતે વિચારે છે. ક્લાસિકલ AI ની વિભાવના અનુસાર, વિચારને પુનઃઉત્પાદિત કરવા માટે જરૂરી બધું, તેમના મતે, "ચાઇનીઝ રૂમ" માં હાજર છે.

સેરલેના લેખે AI નિષ્ણાતો, મનોવૈજ્ઞાનિકો અને ફિલોસોફરોના જીવંત પ્રતિભાવો ઉશ્કેર્યા. જો કે, સામાન્ય રીતે તે ડ્રેફસના પુસ્તક કરતાં પણ વધુ દુશ્મનાવટ સાથે મળી હતી. તેમના લેખમાં, જે જર્નલના આ અંકમાં એકસાથે પ્રકાશિત થાય છે, સેરલે તેમની વિભાવના સામે સંખ્યાબંધ ટીકાત્મક દલીલો પ્રદાન કરે છે. અમારા મતે, તેમાંના ઘણા કાયદેસર છે, ખાસ કરીને જેમના લેખકો આતુરતાથી દાવો કરીને "બાઈટ લે છે" કે રૂમ અને તેના સમાવિષ્ટોનો સમાવેશ કરતી સિસ્ટમ પીડાદાયક રીતે ધીમી હોવા છતાં, તે હજી પણ ચીની સમજે છે.

અમને આ જવાબો ગમે છે, પરંતુ એટલા માટે નહીં કે અમને લાગે છે કે ચાઇનીઝ રૂમ ચાઇનીઝ સમજે છે. અમે સેરલે સાથે સંમત છીએ કે તેણી તેને સમજી શકતી નથી. આ દલીલોની અપીલ એ છે કે તેઓ સીરલેની દલીલમાં સર્વ-મહત્વપૂર્ણ ત્રીજા સ્વયંસિદ્ધને સ્વીકારવાના ઇનકારને પ્રતિબિંબિત કરે છે: "વાક્યરચના પોતે જ સિમેન્ટિક્સની રચના કરતી નથી અને સિમેન્ટિક્સના અસ્તિત્વ માટે પૂરતું નથી." આ સિદ્ધાંત સાચો હોઈ શકે છે, પરંતુ સેરલે વ્યાજબી રીતે દાવો કરી શકતો નથી કે તે આ ખાતરી માટે જાણે છે. તદુપરાંત, માની લેવું કે તે સાચું છે કે કેમ તે પ્રશ્ન ઊભો થાય છે કે શું શાસ્ત્રીય AI સંશોધન કાર્યક્રમ યોગ્ય છે, કારણ કે આ પ્રોગ્રામ ખૂબ જ રસપ્રદ ધારણા પર આધારિત છે કે જો આપણે માત્ર એક યોગ્ય માળખાગત પ્રક્રિયાને ગતિમાં મૂકી શકીએ, તો એક પ્રકારનું આંતરિક નૃત્ય. ઇનપુટ્સ અને આઉટપુટ સાથે યોગ્ય રીતે સંકળાયેલા સિન્ટેક્ટિક તત્વો, પછી આપણે મનની સમાન સ્થિતિઓ અને અભિવ્યક્તિઓ મેળવી શકીએ છીએ જે માણસમાં સહજ છે.

સેરલેનું ત્રીજું સ્વયંસિદ્ધ ખરેખર આ પ્રશ્ન પૂછે છે જ્યારે આપણે તેની સીધી તુલના તેના પ્રથમ નિષ્કર્ષ સાથે કરીએ છીએ: "કાર્યક્રમો મનના સાર તરીકે દેખાય છે અને તેમની હાજરી મનની હાજરી માટે પૂરતી નથી." તે જોવાનું મુશ્કેલ નથી કે તેનો ત્રીજો સ્વયંસિદ્ધ પહેલાથી જ લગભગ તેના જેવા જ 90% નિષ્કર્ષ ધરાવે છે. આ જ કારણ છે કે સેરલનો વિચાર પ્રયોગ ખાસ કરીને ત્રીજા સ્વયંસિદ્ધને ટેકો આપવા માટે રચાયેલ છે. આ ચાઇનીઝ રૂમનો સંપૂર્ણ સાર છે.

જો કે ચાઈનીઝ રૂમનું ઉદાહરણ Axiom 3 ને અપ્રારંભિત લોકો માટે આકર્ષક બનાવે છે, અમને નથી લાગતું કે તે આ સ્વયંસિદ્ધની માન્યતાને સાબિત કરે છે, અને આ ઉદાહરણની અસંગતતા દર્શાવવા માટે, અમે આપણું પોતાનું સમાંતર ઉદાહરણ ઉદાહરણ તરીકે પ્રદાન કરીએ છીએ. ઘણીવાર એક સફળ ઉદાહરણ કે જે વિવાદિત નિવેદનનું ખંડન કરે છે તે તાર્કિક જાદુગરીથી ભરપૂર આખા પુસ્તક કરતાં પરિસ્થિતિને વધુ સારી રીતે સ્પષ્ટ કરશે.

વિજ્ઞાનના ઈતિહાસમાં તેના જેવા જ સંશયવાદના ઘણા ઉદાહરણો છે જે આપણે સેરલના તર્કમાં જોઈએ છીએ. 18મી સદીમાં આઇરિશ બિશપ જ્યોર્જ બર્કલેએ તેને અકલ્પ્ય માન્યું કે હવામાં સંકોચન તરંગો પોતે જ ધ્વનિની ઘટનાનો સાર અથવા તેમના અસ્તિત્વ માટે પૂરતું પરિબળ હોઈ શકે છે. અંગ્રેજ કવિ અને કલાકાર વિલિયમ બ્લેક અને જર્મન પ્રકૃતિવાદી કવિ જોહાન ગોથેએ તેને અકલ્પ્ય માન્યું કે પદાર્થના નાના કણો પ્રકાશના ઉદ્દેશ્ય અસ્તિત્વ માટે પૂરતા સાર અથવા પરિબળ હોઈ શકે છે. આ સદીમાં પણ એવા લોકો હતા કે જેઓ કલ્પના કરી શકતા ન હતા કે નિર્જીવ પદાર્થ પોતે, ભલે તેની સંસ્થા ગમે તેટલી જટિલ હોય, તે કાર્બનિક અસ્તિત્વ અથવા જીવનની પૂરતી સ્થિતિ હોઈ શકે છે. તે સ્પષ્ટ છે કે લોકો જે કલ્પના કરી શકે છે અથવા ન કરી શકે તેને વાસ્તવમાં શું અસ્તિત્વમાં છે અથવા અસ્તિત્વમાં નથી તેની સાથે કોઈ લેવાદેવા નથી. ખૂબ જ ઉચ્ચ સ્તરની બુદ્ધિ ધરાવતા લોકોની વાત આવે ત્યારે પણ આ સાચું છે.

આ ઐતિહાસિક પાઠ સીઅરલના તર્ક પર કેવી રીતે લાગુ કરી શકાય તે જોવા માટે, ચાલો તેના તર્ક સાથે કૃત્રિમ સમાંતર લાગુ કરીએ અને આ સમાંતરને વિચાર પ્રયોગ સાથે સમર્થન આપીએ.

Axiom 1. વિદ્યુત અને ચુંબકત્વ ભૌતિક બળો છે.

Axiom 2. પ્રકાશની આવશ્યક મિલકત ગ્લો છે.

Axiom 3. બળો પોતે જ ગ્લો ઇફેક્ટના સાર તરીકે દેખાય છે અને તેની હાજરી માટે પૂરતા નથી.

નિષ્કર્ષ 1. વીજળી અને ચુંબકત્વ પ્રકાશનો સાર નથી અને તેની હાજરી માટે પૂરતા નથી.

ચાલો માની લઈએ કે આ દલીલ થોડા સમય પછી પ્રકાશિત થઈ હતી જેમ્સ સી. મેક્સવેલ 1864 માં સૂચવ્યું હતું કે પ્રકાશ અને ઇલેક્ટ્રોમેગ્નેટિક તરંગો સમાન છે, પરંતુ પ્રકાશના ગુણધર્મો અને ઇલેક્ટ્રોમેગ્નેટિક તરંગોના ગુણધર્મો વચ્ચેના વ્યવસ્થિત સમાનતા પહેલા વિશ્વમાં સંપૂર્ણ રીતે અનુભવાય છે. ઉપરોક્ત તાર્કિક દલીલ મેક્સવેલની બોલ્ડ પૂર્વધારણા સામે વિશ્વાસપાત્ર વાંધો હોવાનું જણાશે, ખાસ કરીને જો તે Axiom 3 ના સમર્થનમાં નીચેની ટિપ્પણી સાથે હોય.

એક અંધારાવાળા ઓરડાને ધ્યાનમાં લો જેમાં કોઈ વ્યક્તિ તેના હાથમાં કાયમી ચુંબક અથવા ચાર્જ કરેલ પદાર્થ ધરાવે છે. જો કોઈ વ્યક્તિ ચુંબકને ઉપર અને નીચે ખસેડવાનું શરૂ કરે છે, તો મેક્સવેલના આર્ટિફિશિયલ લાઇટિંગના સિદ્ધાંત (AI) મુજબ, ચુંબકમાંથી ઇલેક્ટ્રોમેગ્નેટિક તરંગોનો ફેલાવો કરતો ગોળો નીકળશે અને રૂમ વધુ તેજસ્વી બનશે. પરંતુ જેમણે ચુંબક અથવા ચાર્જ કરેલા દડાઓ સાથે રમવાનો પ્રયાસ કર્યો છે તે સારી રીતે જાણે છે કે, તેમના દળો (અથવા તે બાબત માટેના અન્ય કોઈપણ દળો), જ્યારે આ વસ્તુઓ ગતિમાં હોય ત્યારે પણ કોઈ ગ્લો પેદા કરતા નથી. તેથી, તે અકલ્પ્ય લાગે છે કે આપણે ફક્ત દળોની હેરફેર કરીને વાસ્તવિક ગ્લો અસર પ્રાપ્ત કરી શકીએ!

ઇલેક્ટ્રોમેગ્નેટિક દળોના સ્પંદનો પ્રકાશનું પ્રતિનિધિત્વ કરે છે, જો કે વ્યક્તિ જે ચુંબકને ખસેડે છે તે કોઈ ગ્લો પેદા કરતું નથી. તેવી જ રીતે, ચોક્કસ નિયમો અનુસાર પ્રતીકોની હેરાફેરી બુદ્ધિમત્તાની રચના કરી શકે છે, જો કે સીરલના ચાઇનીઝ રૂમમાં મળેલી નિયમ-આધારિત સિસ્ટમમાં વાસ્તવિક સમજણનો અભાવ જણાય છે.

જો આ પડકાર તેને રજૂ કરવામાં આવે તો મેક્સવેલ કેવી રીતે પ્રતિસાદ આપી શકે?

પ્રથમ, તે સંભવતઃ આગ્રહ કરશે કે ગ્લોઇંગ રૂમ પ્રયોગ આપણને દૃશ્યમાન પ્રકાશના ગુણધર્મો વિશે ગેરમાર્ગે દોરે છે કારણ કે ચુંબકના ઓસિલેશનની આવર્તન અત્યંત નાની છે, જરૂરી કરતાં લગભગ 1015 ગણી ઓછી છે. અધીર જવાબ એ અનુસરી શકે છે કે આવર્તન અહીં કોઈ ભૂમિકા ભજવતું નથી, કે ઓસીલેટીંગ ચુંબક સાથેના રૂમમાં મેક્સવેલના પોતાના સિદ્ધાંત અનુસાર સંપૂર્ણ રીતે ગ્લો ઇફેક્ટના અભિવ્યક્તિ માટે જરૂરી બધું પહેલેથી જ છે.

બદલામાં મેક્સવેલ"બાઈટ લઈ શકે છે," તદ્દન વ્યાજબી રીતે કહે છે કે ઓરડો પહેલેથી જ ગ્લોથી ભરેલો છે, પરંતુ આ ગ્લોની પ્રકૃતિ અને શક્તિ એવી છે કે વ્યક્તિ તેને જોઈ શકતો નથી. (વ્યક્તિ ચુંબકને જે નીચી આવર્તન પર ખસેડે છે તેના કારણે, પેદા થતા ઇલેક્ટ્રોમેગ્નેટિક તરંગોની લંબાઈ ખૂબ લાંબી છે અને માનવ આંખ તેમની પર પ્રતિક્રિયા કરવા માટે તીવ્રતા ખૂબ ઓછી છે.) જો કે, આ ઘટનાઓની સમજણના સ્તરને જોતાં પ્રશ્નનો સમયગાળો (છેલ્લી સદીનું 60), આવા ખુલાસાથી કદાચ હાસ્ય અને મજાક ઉડાવશે. "ઝગમગતું ઓરડો! પણ માફ કરશો, મિસ્ટર મેક્સવેલ, ત્યાં સંપૂર્ણ અંધારું છે!”

તેથી આપણે જોઈએ છીએ કે ગરીબો મેક્સવેલતે અઘરું છે. તે ફક્ત નીચેના ત્રણ મુદ્દાઓનો આગ્રહ કરી શકે છે. સૌપ્રથમ, ઉપરોક્ત દલીલમાં સ્વયંસિદ્ધ 3 સાચું નથી. ખરેખર, એ હકીકત હોવા છતાં કે સાહજિક રીતે તે તદ્દન બુદ્ધિગમ્ય લાગે છે, અમે મદદ કરી શકતા નથી પરંતુ તેના વિશે આશ્ચર્ય પામી શકીએ છીએ. બીજું, ગ્લોઇંગ રૂમ પ્રયોગ આપણને પ્રકાશના ભૌતિક સ્વભાવ વિશે રસપ્રદ કંઈપણ બતાવતું નથી. અને ત્રીજું, વાસ્તવમાં પ્રકાશની સમસ્યા અને કૃત્રિમ ગ્લોની શક્યતાને ઉકેલવા માટે, અમને એક સંશોધન કાર્યક્રમની જરૂર છે જે સ્થાપિત કરશે કે, યોગ્ય પરિસ્થિતિઓ હેઠળ, ઇલેક્ટ્રોમેગ્નેટિક તરંગોનું વર્તન ખરેખર પ્રકાશના વર્તન સાથે સંપૂર્ણપણે સમાન છે. ક્લાસિકલ આર્ટિફિશિયલ ઇન્ટેલિજન્સે સીઅરલના તર્કને સમાન જવાબ આપવો જોઈએ. જો કે સીરલેનો ચાઈનીઝ રૂમ "અર્થાત્મક રીતે અંધારું" લાગે છે, તેમ છતાં તેની પાસે એવો આગ્રહ રાખવાનું કોઈ યોગ્ય કારણ નથી કે ચોક્કસ નિયમો અનુસાર કરવામાં આવતાં પ્રતીકોની હેરાફેરી ક્યારેય સિમેન્ટીક ઘટનાને જન્મ આપી શકતી નથી, ખાસ કરીને કારણ કે લોકો હજુ પણ અજાણ અને મર્યાદિત છે. તે સિમેન્ટીક અને માનસિક ઘટનાઓની સામાન્ય સમજના સ્તરને સમજીને કે જેને સમજૂતીની જરૂર છે. આ વસ્તુઓની સમજણનો ઉપયોગ કરવાને બદલે, સેરલે તેના તર્કમાં લોકોની આવી સમજણના અભાવનો મુક્તપણે લાભ લે છે.

સેરલના તર્કની અમારી ટીકાઓ વ્યક્ત કર્યા પછી, અમે એ પ્રશ્ન પર પાછા ફરીએ છીએ કે શું શાસ્ત્રીય AI પ્રોગ્રામમાં સભાન મનની સમસ્યાને ઉકેલવાની અને વિચારસરણીનું મશીન બનાવવાની વાસ્તવિક તક છે. અમે માનીએ છીએ કે અહીંની સંભાવનાઓ ઉજ્જવળ નથી, પરંતુ અમારો અભિપ્રાય એવા કારણો પર આધારિત છે જે સીઅરલે દ્વારા ઉપયોગમાં લેવાતી દલીલોથી મૂળભૂત રીતે અલગ છે. અમે શાસ્ત્રીય AI સંશોધન કાર્યક્રમની ચોક્કસ નિષ્ફળતાઓ પર અને જૈવિક મગજે અમને કોમ્પ્યુટેશનલ મોડલ્સના નવા વર્ગ દ્વારા શીખવેલા સંખ્યાબંધ પાઠો પર નિર્માણ કરીએ છીએ જે તેની રચનાના કેટલાક ગુણધર્મોને મૂર્ત બનાવે છે. અમે પહેલાથી જ મગજ દ્વારા ઝડપથી અને અસરકારક રીતે હલ કરવામાં આવતી સમસ્યાઓને ઉકેલવામાં ક્લાસિકલ AI ની નિષ્ફળતાઓનો ઉલ્લેખ કર્યો છે. વૈજ્ઞાનિકો ધીમે ધીમે એક સર્વસંમતિ પર આવી રહ્યા છે કે આ નિષ્ફળતાઓ એમએસ મશીનોના કાર્યાત્મક આર્કિટેક્ચરના ગુણધર્મો દ્વારા સમજાવવામાં આવે છે, જે તેની સામે આવતી જટિલ સમસ્યાઓને ઉકેલવા માટે અયોગ્ય છે.

આપણે જાણવાની જરૂર છે કે મગજ વિચારની અસર કેવી રીતે પ્રાપ્ત કરે છે? એન્જિનિયરિંગમાં રિવર્સ એન્જિનિયરિંગ એ એક વ્યાપક તકનીક છે. જ્યારે નવું તકનીકી ઉપકરણ વેચાણ પર જાય છે, ત્યારે સ્પર્ધકો તેને અલગ કરીને અને તે કયા સિદ્ધાંત પર આધારિત છે તે અનુમાન કરવાનો પ્રયાસ કરીને તે કેવી રીતે કાર્ય કરે છે તે શોધી કાઢે છે. મગજના કિસ્સામાં, આ અભિગમ અમલમાં મૂકવો અસાધારણ રીતે મુશ્કેલ છે, કારણ કે મગજ એ પૃથ્વી પરની સૌથી જટિલ વસ્તુ છે. તેમ છતાં, ન્યુરોસાયન્ટિસ્ટ વિવિધ માળખાકીય સ્તરે મગજના ઘણા ગુણધર્મોને ઉજાગર કરવામાં સક્ષમ છે. ત્રણ એનાટોમિકલ લક્ષણો મૂળભૂત રીતે પરંપરાગત ઇલેક્ટ્રોનિક કમ્પ્યુટર્સના આર્કિટેક્ચરથી તેને અલગ પાડે છે.

સૌપ્રથમ, નર્વસ સિસ્ટમ એક સમાંતર મશીન છે, એ અર્થમાં કે સિગ્નલો એકસાથે લાખો વિવિધ માર્ગો પર પ્રક્રિયા કરવામાં આવે છે. ઉદાહરણ તરીકે, આંખની રેટિના મગજમાં એક જટિલ ઇનપુટ સિગ્નલ પ્રસારિત કરે છે, જે ડેસ્કટોપ કોમ્પ્યુટરની જેમ 8, 16 અથવા 32 તત્વોના ટુકડાઓમાં નહીં, પરંતુ એક સાથે પહોંચતા લગભગ એક મિલિયન વ્યક્તિગત તત્વો ધરાવતા સિગ્નલના રૂપમાં. ઓપ્ટિક નર્વ (બાજુની જીનીક્યુલેટ બોડી) નો અંત, જેના પછી તેઓ એક સાથે, એક પગલામાં, મગજ દ્વારા પ્રક્રિયા કરવામાં આવે છે. બીજું, મગજનું પ્રાથમિક "પ્રોસેસિંગ ઉપકરણ", ન્યુરોન, પ્રમાણમાં સરળ છે. વધુમાં, ઇનપુટ સિગ્નલ પ્રત્યેનો તેનો પ્રતિભાવ ડિજિટલને બદલે એનાલોગ છે, આ અર્થમાં કે આઉટપુટ સિગ્નલની આવર્તન ઇનપુટ સિગ્નલના આધારે સતત બદલાતી રહે છે.

ત્રીજું,મગજમાં, ચેતાકોષોના એક જૂથમાંથી બીજા જૂથ તરફ દોરી જતા ચેતાક્ષો ઉપરાંત, આપણે ઘણી વખત વિરુદ્ધ દિશામાં દોરી જતા ચેતાક્ષો શોધીએ છીએ. આ પુનરાવર્તિત અંદાજો મગજને સંવેદનાત્મક માહિતીની પ્રક્રિયા કરવાની રીતને મોડ્યુલેટ કરવાની મંજૂરી આપે છે. વધુ મહત્ત્વની વાત એ છે કે, તેમનું અસ્તિત્વ મગજને ખરેખર ગતિશીલ પ્રણાલી બનાવે છે, જેમાં સતત જાળવવામાં આવતી વર્તણૂક ખૂબ જ ઉચ્ચ જટિલતા અને પેરિફેરલ ઉત્તેજનાથી સંબંધિત સ્વતંત્રતા બંને દ્વારા વર્ગીકૃત થયેલ છે. સરળ નેટવર્ક મોડેલોએ વાસ્તવિક ન્યુરલ નેટવર્કના સંચાલનની પદ્ધતિઓ અને સમાંતર આર્કિટેક્ચરના કોમ્પ્યુટેશનલ ગુણધર્મોનો અભ્યાસ કરવામાં ઉપયોગી ભૂમિકા ભજવી છે. ઉદાહરણ તરીકે, ન્યુરોન જેવા તત્વો ધરાવતા ત્રણ-સ્તરના મોડેલને ધ્યાનમાં લો કે જે આગલા સ્તરના તત્વો સાથે ચેતાક્ષ જેવા જોડાણ ધરાવે છે. ઇનપુટ ઉત્તેજના આપેલ ઇનપુટ તત્વના સક્રિયકરણ થ્રેશોલ્ડ સુધી પહોંચે છે, જે છુપાયેલા સ્તર તત્વોના અસંખ્ય "સિનેપ્ટીક" ટર્મિનલ્સને તેના "ચેતાક્ષ" સાથે પ્રમાણસર શક્તિનો સંકેત મોકલે છે. એકંદર અસર એ છે કે ઇનપુટ તત્વોના સમૂહ પર સિગ્નલ સક્રિય કરવાનું ચોક્કસ રૂપરેખાંકન છુપાયેલા તત્વોના સમૂહ પર સંકેતોનું ચોક્કસ રૂપરેખાંકન બનાવે છે.

આઉટપુટ તત્વો વિશે પણ એવું જ કહી શકાય. એ જ રીતે, છુપાયેલા સ્તરની સ્લાઇસ પર સક્રિયકરણ સંકેતોનું રૂપરેખાંકન આઉટપુટ તત્વોના ટુકડા પર ચોક્કસ સક્રિયકરણ પેટર્ન તરફ દોરી જાય છે. સારાંશ માટે, આપણે કહી શકીએ કે પ્રશ્નમાં રહેલું નેટવર્ક એ કોઈપણ મોટી સંખ્યામાં સંભવિત ઇનપુટ વેક્ટર (સિગ્નલને સક્રિય કરવાના રૂપરેખાંકનો) ને અનુરૂપ અનન્ય આઉટપુટ વેક્ટરમાં રૂપાંતરિત કરવા માટેનું ઉપકરણ છે. આ ઉપકરણ ચોક્કસ કાર્યની ગણતરી કરવા માટે રચાયેલ છે. બરાબર તે કયા કાર્યની ગણતરી કરે છે તે સિનેપ્ટિક વજન માળખાના વૈશ્વિક રૂપરેખાંકન પર આધારિત છે.

ન્યુરલ નેટવર્ક મગજના માઇક્રોસ્ટ્રક્ચરની મુખ્ય મિલકતનું મોડેલ બનાવે છે. આ ત્રણ-સ્તરના નેટવર્કમાં, ઇનપુટ ચેતાકોષો (નીચે ડાબે) સક્રિયકરણ સિગ્નલો (નીચે જમણે) ની ગોઠવણી પર પ્રક્રિયા કરે છે અને તેમને છુપાયેલા સ્તરમાં ભારિત જોડાણો સાથે પસાર કરે છે. છુપાયેલા સ્તર તત્વો નવા સિગ્નલ રૂપરેખાંકન બનાવવા માટે તેમના બહુવિધ ઇનપુટ્સ ઉમેરે છે. તે બાહ્ય સ્તર પર પસાર થાય છે, જે વધુ પરિવર્તનો કરે છે. સામાન્ય રીતે, નેટવર્ક ચેતાકોષો વચ્ચેના જોડાણોના સ્થાન અને સંબંધિત શક્તિના આધારે, સંકેતોના કોઈપણ ઇનપુટ સમૂહને અનુરૂપ આઉટપુટમાં રૂપાંતરિત કરે છે.

વજન પસંદ કરવા માટેની વિવિધ પ્રક્રિયાઓ છે જે નેટવર્કને લગભગ કોઈપણ કાર્ય (એટલે ​​​​કે, વેક્ટર્સ વચ્ચે કોઈપણ પરિવર્તન) ની ગણતરી કરવા સક્ષમ બનાવી શકે છે. વાસ્તવમાં, નેટવર્ક પર એવા ફંક્શનને અમલમાં મૂકવું શક્ય છે કે જેને ફોર્મ્યુલેટ પણ કરી શકાતું નથી, આપણે તેને ફક્ત ઉદાહરણોનો સમૂહ આપવાની જરૂર છે જે દર્શાવે છે કે આપણે કયા પ્રકારનું ઇનપુટ અને આઉટપુટ લાર્ક્સ રાખવા માંગીએ છીએ. આ પ્રક્રિયા, જેને "નેટવર્ક પ્રશિક્ષણ" કહેવાય છે, જ્યાં સુધી નેટવર્ક ઇચ્છિત આઉટપુટ ઉત્પન્ન કરવા માટે ઇનપુટ પર ઇચ્છિત પરિવર્તનો ન કરે ત્યાં સુધી લિંક્સને સોંપેલ વજનને અનુક્રમે સમાયોજિત કરીને કરવામાં આવે છે.

જો કે આ નેટવર્ક મોડેલ મગજની રચનાને મોટા પ્રમાણમાં સરળ બનાવે છે, તે હજુ પણ કેટલાક મહત્વપૂર્ણ પાસાઓને સમજાવે છે. પ્રથમ, સમાંતર આર્કિટેક્ચર પરંપરાગત કમ્પ્યુટર પર જબરદસ્ત ઝડપ લાભ પૂરો પાડે છે કારણ કે દરેક સ્તર પર બહુવિધ સિનેપ્સ ખૂબ જ શ્રમ-સઘન ક્રમિક મોડમાં કામ કરવાને બદલે એક સાથે ઘણી નાની કોમ્પ્યુટેશનલ કામગીરી કરે છે. આ લાભ વધુને વધુ નોંધપાત્ર બને છે કારણ કે દરેક સ્તરમાં ચેતાકોષોની સંખ્યા વધે છે. આશ્ચર્યજનક રીતે, માહિતી પ્રક્રિયાની ઝડપ દરેક સ્તરે પ્રક્રિયામાં સામેલ તત્વોની સંખ્યા પર અથવા તેઓ જે કાર્યની ગણતરી કરે છે તેની જટિલતા પર આધાર રાખતી નથી. દરેક સ્તરમાં ચાર તત્વો અથવા સો મિલિયન હોઈ શકે છે; સિનેપ્ટિક વજનનું રૂપરેખાંકન સરળ એક-અંકની રકમની ગણતરી કરી શકે છે અથવા બીજા-ક્રમના વિભેદક સમીકરણોને હલ કરી શકે છે. કોઈ વાંધો નથી. ગણતરીનો સમય એકદમ સરખો રહેશે.

બીજું,સિસ્ટમની સમાંતર પ્રકૃતિ તેને નાની ભૂલો પ્રત્યે સંવેદનશીલ બનાવે છે અને તેને કાર્યાત્મક સ્થિરતા આપે છે; કેટલીક લિંક્સની ખોટ, તેમાંની નોંધપાત્ર સંખ્યા પણ, બાકીના નેટવર્ક દ્વારા હાથ ધરવામાં આવેલા પરિવર્તનની એકંદર પ્રગતિ પર નજીવી અસર કરે છે.

ત્રીજું,સમાંતર સિસ્ટમ વિતરિત સ્વરૂપમાં મોટી માત્રામાં માહિતીનો સંગ્રહ કરે છે, જ્યારે આ માહિતીના કોઈપણ ભાગને કેટલાક મિલિસેકન્ડ્સમાં માપવામાં આવેલા સમયમાં ઍક્સેસ પ્રદાન કરે છે. અગાઉના શિક્ષણની પ્રક્રિયામાં રચાયેલા વ્યક્તિગત સિનેપ્ટિક જોડાણોના વજનના ચોક્કસ રૂપરેખાંકનોના સ્વરૂપમાં માહિતી સંગ્રહિત થાય છે. ઇચ્છિત માહિતી "પ્રકાશિત" થાય છે કારણ કે ઇનપુટ વેક્ટર જોડાણોના આ રૂપરેખાંકનમાંથી પસાર થાય છે (અને તેના દ્વારા રૂપાંતરિત થાય છે).

સમાંતર પ્રક્રિયા તમામ પ્રકારના કમ્પ્યુટિંગ માટે આદર્શ નથી. નાના ઇનપુટ વેક્ટર સાથે સમસ્યાઓ ઉકેલતી વખતે, પરંતુ લાખો ઝડપથી પુનરાવર્તિત ગણતરીઓની જરૂર હોય ત્યારે, મગજ સંપૂર્ણપણે લાચાર છે, જ્યારે ક્લાસિકલ MS મશીનો તેમની શ્રેષ્ઠ ક્ષમતાઓ દર્શાવે છે. આ કમ્પ્યુટિંગનો ખૂબ મોટો અને મહત્વપૂર્ણ વર્ગ છે, તેથી ક્લાસિકલ મશીનોની હંમેશા જરૂર પડશે અને જરૂરી પણ રહેશે. જો કે, ગણતરીઓનો એક સમાન વ્યાપક વર્ગ છે જેના માટે મગજનું આર્કિટેક્ચર શ્રેષ્ઠ તકનીકી ઉકેલ રજૂ કરે છે. આ મુખ્યત્વે એવી ગણતરીઓ છે કે જેનો સજીવ સામાન્ય રીતે સામનો કરે છે: "ઘોંઘાટીયા" વાતાવરણમાં શિકારીની રૂપરેખાને ઓળખવી; તેની ત્રાટકશક્તિ પ્રત્યેની સાચી પ્રતિક્રિયાનું ત્વરિત સ્મરણ, જ્યારે તે નજીક આવે ત્યારે ભાગી જવાની પદ્ધતિ અથવા જ્યારે તે હુમલો કરે ત્યારે બચાવ કરે છે; ખાદ્ય અને અખાદ્ય વસ્તુઓ વચ્ચે, જાતીય ભાગીદારો અને અન્ય પ્રાણીઓ વચ્ચે ભેદ પાડવો; જટિલ અને સતત બદલાતા શારીરિક અથવા સામાજિક વાતાવરણમાં વર્તન પસંદ કરવું; વગેરે

છેલ્લે, એ નોંધવું ખૂબ જ મહત્વપૂર્ણ છે કે વર્ણવેલ સમાંતર સિસ્ટમ માળખાકીય નિયમો અનુસાર પ્રતીકોની હેરફેર કરતી નથી. તેના બદલે, સિમ્બોલ મેનીપ્યુલેશન એ અન્ય ઘણી "બુદ્ધિશાળી" કુશળતામાંથી એક છે જે નેટવર્ક શીખી શકે છે અથવા ન પણ શીખી શકે છે. નિયમ-શાસિત પ્રતીક મેનીપ્યુલેશન એ નેટવર્ક ચલાવવાની પ્રાથમિક રીત નથી. સીરલની દલીલ નિયમ-શાસિત એમએસ મશીનો સામે નિર્દેશિત છે; અમે વર્ણવેલ પ્રકારની વેક્ટર ટ્રાન્સફોર્મેશન સિસ્ટમ્સ તેના ચાઇનીઝ રૂમ દલીલના અવકાશની બહાર આવે છે, પછી ભલે તે માન્ય હોય, જેના પર શંકા કરવા માટે અમારી પાસે અન્ય, સ્વતંત્ર કારણો છે.

સેરલે સમાંતર પ્રોસેસરોથી વાકેફ છે, પરંતુ તેમના મતે તેઓ વાસ્તવિક અર્થપૂર્ણ સામગ્રીથી પણ વંચિત હશે. આ સંદર્ભમાં તેમની અનિવાર્ય હીનતા દર્શાવવા માટે, તેમણે બીજા વિચાર પ્રયોગનું વર્ણન કર્યું, આ વખતે એક સમાંતર નેટવર્કમાં ગોઠવાયેલા લોકોથી ભરેલા ચાઇનીઝ જિમ સાથે. તેના તર્કનો આગળનો માર્ગ ચીની રૂમના કિસ્સામાં તર્ક સમાન છે.

અમારા મતે, આ બીજું ઉદાહરણ પ્રથમ જેટલું સફળ અને ખાતરીકારક નથી. સૌ પ્રથમ, હકીકત એ છે કે સિસ્ટમમાં એક પણ તત્વ ચાઇનીઝ સમજી શકતું નથી તે કોઈ ભૂમિકા ભજવતું નથી, કારણ કે માનવ ચેતાતંત્રના સંબંધમાં પણ તે જ સાચું છે: મારા મગજમાં એક પણ ચેતાકોષ અંગ્રેજી સમજી શકતો નથી, જો કે મગજ આખું સમજે છે. સેરલે વધુમાં એ ઉલ્લેખ કરવામાં નિષ્ફળ જાય છે કે તેનું મોડેલ (દરેક ચેતાકોષ માટે એક વ્યક્તિ વત્તા પ્રત્યેક સિનેપ્ટિક કનેક્શન માટે ફ્લીટ-ફૂટેડ બોય) ઓછામાં ઓછા 1014 લોકોની જરૂર પડશે, કારણ કે માનવ મગજમાં 1011 ન્યુરોન્સ હોય છે, દરેકમાં સરેરાશ 103 કનેક્શન હોય છે. આમ, તેની સિસ્ટમને આપણી પૃથ્વી જેવી 10,000 વિશ્વની વસ્તીની જરૂર પડશે. તે સ્પષ્ટ છે કે જિમ વધુ કે ઓછા પર્યાપ્ત મોડેલને સમાવવા માટે સક્ષમ થવાથી દૂર છે.

બીજી બાજુ, જો આવી સિસ્ટમ હજી પણ એસેમ્બલ કરી શકાય, યોગ્ય કોસ્મિક સ્કેલ પર, તમામ જોડાણો ચોક્કસ રીતે મોડેલ સાથે, આપણી પાસે વિશાળ, ધીમું, વિચિત્ર રીતે રચાયેલ, પરંતુ હજી પણ કાર્યરત મગજ હશે. આ કિસ્સામાં, અલબત્ત, અપેક્ષા રાખવી સ્વાભાવિક છે કે સાચા ઇનપુટ સાથે તે વિચારશે, અને ઊલટું નહીં, કે તે આ માટે સક્ષમ નથી. એવી ખાતરી આપી શકાતી નથી કે આવી સિસ્ટમનું સંચાલન વાસ્તવિક વિચારસરણીનું પ્રતિનિધિત્વ કરશે, કારણ કે વેક્ટર પ્રોસેસિંગનો સિદ્ધાંત મગજના કાર્યને પર્યાપ્ત રીતે પ્રતિબિંબિત કરી શકતો નથી. પરંતુ તે જ રીતે અમારી પાસે કોઈ પ્રાથમિક ગેરેંટી નથી કે તેણી વિચારશે નહીં. સેરલે ફરી એકવાર ભૂલથી તેની પોતાની (અથવા વાચકની) કલ્પનાની વર્તમાન મર્યાદાઓને ઉદ્દેશ્ય વાસ્તવિકતાની મર્યાદાઓ સાથે ઓળખી કાઢે છે.

મગજ

મગજ એક પ્રકારનું કોમ્પ્યુટર છે, જો કે તેના મોટા ભાગના ગુણધર્મો અજાણ્યા રહે છે. મગજને કોમ્પ્યુટર તરીકે દર્શાવવું સરળ નથી, અને આવા પ્રયાસોને વધુ પડતી સ્વતંત્રતા ગણવી જોઈએ નહીં. મગજ કાર્યોની ગણતરી કરે છે, પરંતુ ક્લાસિકલ આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ઉકેલવામાં આવતી લાગુ સમસ્યાઓની જેમ નથી. જ્યારે આપણે કમ્પ્યુટર તરીકે મશીન વિશે વાત કરીએ છીએ, ત્યારે અમારો અર્થ એ નથી કે સીરીયલ ડિજિટલ કમ્પ્યુટર કે જેને પ્રોગ્રામ કરવાની જરૂર છે અને જે સોફ્ટવેર અને હાર્ડવેરમાં સ્પષ્ટ વિભાજન ધરાવે છે; અને અમારો મતલબ એ નથી કે આ કોમ્પ્યુટર પ્રતીકોની હેરફેર કરે છે અથવા અમુક નિયમોનું પાલન કરે છે. મગજ એ મૂળભૂત રીતે અલગ પ્રકારનું કમ્પ્યુટર છે.

મગજ માહિતીની સિમેન્ટીક સામગ્રીને કેવી રીતે મેળવે છે તે હજુ સુધી જાણી શકાયું નથી, પરંતુ તે સ્પષ્ટ છે કે આ સમસ્યા ભાષાશાસ્ત્રથી ઘણી આગળ છે અને એક પ્રજાતિ તરીકે મનુષ્યો સુધી મર્યાદિત નથી. તાજી માટીના નાના ઢગલાનો અર્થ છે, માણસ અને કોયોટ બંને માટે, કે નજીકમાં ક્યાંક ગોફર છે; ચોક્કસ સ્પેક્ટ્રલ લાક્ષણિકતાઓ સાથેનો પડઘો બેટને શલભની હાજરી સૂચવે છે. અર્થ નિર્માણનો સિદ્ધાંત વિકસાવવા માટે, આપણે કેવી રીતે ચેતાકોષો સંવેદનાત્મક સંકેતોને એન્કોડ કરે છે અને રૂપાંતરિત કરે છે, મેમરીનો ન્યુરલ આધાર, શીખવાની અને લાગણીઓ અને આ પરિબળો અને મોટર સિસ્ટમ વચ્ચેના જોડાણો વિશે વધુ જાણવું જોઈએ. અર્થના ન્યુરોસાયન્સ-આધારિત સિદ્ધાંતને આપણા અંતર્જ્ઞાનની પણ જરૂર પડી શકે છે, જે હવે આપણને ખૂબ સુરક્ષિત લાગે છે અને જેનો સીરલે તેના તર્કમાં મુક્તપણે ઉપયોગ કરે છે. વિજ્ઞાનના ઈતિહાસમાં આવા સંશોધનો અસામાન્ય નથી.

શું વિજ્ઞાન નર્વસ સિસ્ટમ વિશે જે જાણીતું છે તેનો ઉપયોગ કરીને કૃત્રિમ બુદ્ધિ બનાવવા માટે સક્ષમ છે? અમને આ માર્ગ પર કોઈ મૂળભૂત અવરોધો દેખાતા નથી. સેરલે સંમત લાગે છે, પરંતુ ચેતવણી સાથે: "મન ઉત્પન્ન કરવામાં સક્ષમ કોઈપણ અન્ય સિસ્ટમમાં મગજના અનુરૂપ ગુણધર્મોની સમકક્ષ કારણભૂત ગુણધર્મો (ઓછામાં ઓછા) હોવા જોઈએ." લેખના અંતે, અમે આ નિવેદન પર વિચાર કરીશું. અમે માનીએ છીએ કે સેરલે એવી દલીલ કરી નથી કે સફળ આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમમાં મગજના તમામ કારણભૂત ગુણધર્મો હોવા આવશ્યક છે, જેમ કે સડતી વસ્તુને સૂંઘવાની ક્ષમતા, વાયરસના વાહક બનવાની ક્ષમતા, પ્રભાવ હેઠળ પીળો થવાની ક્ષમતા. હોર્સરાડિશ પેરોક્સિડેઝ વગેરે. સંપૂર્ણ પાલનની આવશ્યકતા એ જ હશે જેમ કે ઇંડા મૂકવા માટે કૃત્રિમ વિમાનની જરૂર પડે છે.

તેનો અર્થ કદાચ માત્ર એ જ જરૂરિયાતનો હતો કે કૃત્રિમ મનમાં સભાન મન સાથે સંકળાયેલા તમામ કારણભૂત ગુણધર્મો હોય. પરંતુ જે બરાબર છે? અને તેથી આપણે ફરીથી ચર્ચામાં પાછા ફરીએ છીએ કે સભાન મન શું છે અને શું નથી. દલીલ કરવા માટે આ યોગ્ય સ્થાન છે, પરંતુ આ કેસમાં સત્ય અનુભવપૂર્વક શોધવું જોઈએ - પ્રયાસ કરો અને જુઓ કે શું થાય છે. વિચાર પ્રક્રિયાઓ અને અર્થશાસ્ત્રમાં બરાબર શું હોય છે તે વિશે આપણે ઘણું ઓછું જાણીએ છીએ, તેથી અહીં કયા ગુણધર્મો આવશ્યક છે તે વિશેની કોઈપણ નિશ્ચિતતા અકાળ હશે. સેરલે ઘણી વખત સંકેત આપે છે કે બાયોકેમિકલ સહિત દરેક સ્તરને કોઈપણ મશીનમાં રજૂ કરવું આવશ્યક છે જે કૃત્રિમ રીતે બુદ્ધિશાળી હોવાનો દાવો કરે છે. દેખીતી રીતે આ ખૂબ જ મજબૂત જરૂરિયાત છે. બાયોકેમિકલ મિકેનિઝમનો ઉપયોગ કર્યા વિના કૃત્રિમ મગજ સમાન અસર પ્રાપ્ત કરી શકે છે.

કેલિફોર્નિયા ઇન્સ્ટિટ્યૂટ ઑફ ટેક્નોલોજીમાં કે. મીડ દ્વારા સંશોધનમાં આ શક્યતા દર્શાવવામાં આવી હતી. મીડ અને તેના સાથીઓએ કૃત્રિમ રેટિના અને કૃત્રિમ કોક્લીઆ બનાવવા માટે એનાલોગ માઇક્રોઇલેક્ટ્રોનિક ઉપકરણોનો ઉપયોગ કર્યો. (પ્રાણીઓમાં, રેટિના અને કોક્લીઆ ફક્ત ટ્રાન્સડ્યુસર નથી; બંને સિસ્ટમો જટિલ સમાંતર પ્રક્રિયામાંથી પસાર થાય છે.) આ ઉપકરણો હવે મીનીકોમ્પ્યુટરમાં સરળ મોડેલો નથી કે જે સેરલે ઉપહાસ કરે છે; તે વાસ્તવિક માહિતી પ્રક્રિયા તત્વો છે જે વાસ્તવિક સંકેતોને વાસ્તવિક સમયમાં પ્રતિસાદ આપે છે: રેટિનાના કિસ્સામાં પ્રકાશ અને કોક્લીઆના કિસ્સામાં અવાજ. ઉપકરણની ડિઝાઇન બિલાડીના રેટિના અને બાર્ન ઘુવડના કોક્લીઆના જાણીતા શરીરરચના અને શારીરિક ગુણધર્મો પર આધારિત છે અને તેમનું આઉટપુટ તેઓ જે અવયવો બનાવે છે તેના જાણીતા આઉટપુટની અત્યંત નજીક છે.

આ ચિપ્સ કોઈપણ ચેતાપ્રેષક દ્રવ્યોનો ઉપયોગ કરતી નથી, તેથી ઇચ્છિત પરિણામો પ્રાપ્ત કરવા માટે ચેતાપ્રેષકો જરૂરી જણાતા નથી. અલબત્ત, અમે એમ કહી શકતા નથી કે કૃત્રિમ રેટિના કંઈક જુએ છે, કારણ કે તેનું આઉટપુટ કૃત્રિમ થૅલેમસ અથવા સેરેબ્રલ કોર્ટેક્સ વગેરેમાં જતું નથી. મીડના પ્રોગ્રામ મુજબ આખું કૃત્રિમ મગજ બનાવવું શક્ય છે કે કેમ તે હજુ સુધી જાણી શકાયું નથી, પરંતુ હાલમાં અમારી પાસે કોઈ પુરાવા નથી કે સિસ્ટમમાં બાયોકેમિકલ મિકેનિઝમનો અભાવ આ અભિગમને અવાસ્તવિક બનાવે છે.

નર્વસ સિસ્ટમ ચેતાપ્રેષક પરમાણુઓ (નીચે) થી લઈને સમગ્ર મગજ અને કરોડરજ્જુ સુધીના સંગઠનના ઘણા સ્કેલમાં ફેલાયેલી છે. મધ્યવર્તી સ્તરો પર વ્યક્તિગત ચેતાકોષો અને ન્યુરલ સર્કિટ હોય છે, જેમ કે દ્રશ્ય ઉત્તેજના (કેન્દ્ર) ની ધારણામાં પસંદગીને અમલમાં મૂકતા હોય છે, અને ઘણી બધી સર્કિટ ધરાવતી સિસ્ટમો હોય છે, જેમ કે વાણી કાર્યો (ઉપર જમણે) સેવા આપે છે. માત્ર સંશોધન દ્વારા જ એ નિર્ધારિત કરી શકાય છે કે કૃત્રિમ પ્રણાલી બુદ્ધિ ધરાવતી જૈવિક પ્રણાલીઓની કેટલી નજીકથી નકલ કરી શકે છે.

સીરલની જેમ, અમે સભાન મનની હાજરી માટે પૂરતા માપદંડ તરીકે ટ્યુરિંગ ટેસ્ટને નકારીએ છીએ. એક સ્તરે, આ માટેના અમારા કારણો સમાન છે: અમે સંમત છીએ કે ઇનપુટ-આઉટપુટ દ્વારા વ્યાખ્યાયિત કાર્ય કેવી રીતે અમલમાં આવે છે તે ખૂબ જ મહત્વપૂર્ણ છે; મશીનમાં યોગ્ય પ્રક્રિયાઓ થાય તે મહત્વનું છે. અન્ય સ્તરે, અમે સંપૂર્ણપણે અલગ વિચારણાઓ દ્વારા માર્ગદર્શન આપીએ છીએ. સેરલે સામાન્ય બુદ્ધિના અંતઃપ્રેરણા પર સિમેન્ટીક સામગ્રીની હાજરી અથવા ગેરહાજરી સંબંધિત તેમની સ્થિતિને આધાર રાખે છે. અમારો દૃષ્ટિકોણ ક્લાસિકલ MS મશીનોની ચોક્કસ નિષ્ફળતાઓ અને મશીનોના ચોક્કસ ફાયદાઓ પર આધારિત છે જેની આર્કિટેક્ચર મગજની રચનાની નજીક છે. આ વિવિધ પ્રકારનાં મશીનોની સરખામણી બતાવે છે કે જ્યારે સામાન્ય માનસિક કાર્યોની વાત આવે છે ત્યારે કેટલીક ગણતરીની વ્યૂહરચનાનો અન્યો કરતાં મોટો અને નિર્ણાયક ફાયદો હોય છે. આ પ્રયોગાત્મક રીતે સ્થાપિત લાભો કોઈ શંકાની બહાર છે. સ્પષ્ટપણે, મગજ વ્યવસ્થિત રીતે આ ગણતરીના ફાયદાઓનો લાભ લે છે. જો કે, તે જરૂરી નથી કે એકમાત્ર ભૌતિક સિસ્ટમ તેનો ઉપયોગ કરવા સક્ષમ હોય. બિન-જૈવિક, પરંતુ આવશ્યકપણે સમાંતર મશીનમાં કૃત્રિમ બુદ્ધિમત્તા બનાવવાનો વિચાર ખૂબ જ આકર્ષક અને ખૂબ આશાસ્પદ રહે છે.

આપણા સમયની સૌથી નોંધપાત્ર શોધોમાંની એક હાઇ-સ્પીડ ઇલેક્ટ્રોનિક કમ્પ્યુટર્સ છે. કેટલાક કિસ્સાઓમાં, તેઓ "વિચારશીલ" વ્યક્તિ માટે કાર્ય કરવા સક્ષમ છે. પરંતુ કેટલાક લોકો, તેમની સફળતાઓને યોગ્ય રીતે વખાણતા, માનવીય વિચારસરણી અને ઇલેક્ટ્રોનિક ઉપકરણોના કોમ્પ્યુટેશનલ કાર્યને સમાન ગણે છે.

વૈજ્ઞાનિક મનોવિજ્ઞાન બતાવે છે કે આ ઓળખ અસ્વીકાર્ય છે. તે જ સમયે, તેનો ડેટા મશીનોની કામગીરી અને માનસિક પ્રવૃત્તિની તુલના કરવામાં અને તેમના મૂળભૂત તફાવતોને ઓળખવામાં મદદ કરે છે.

સરખામણી એ હકીકત પર આધારિત છે કે કોમ્પ્યુટર્સ, અમુક પરિસ્થિતિઓમાં, વિચારનાર વ્યક્તિ જેવું જ પરિણામ આપે છે. તદુપરાંત, તેઓ આને વધુ ઝડપથી અને વધુ સચોટ રીતે હાંસલ કરે છે અને ઘણીવાર એવી વસ્તુઓ કરે છે જે સામાન્ય રીતે મનુષ્યો માટે અગમ્ય હોય છે. આમ, અંગ્રેજી ગણિતશાસ્ત્રી શેન્ક્સને 707 અંકોની ચોકસાઈ સાથે “pi” નંબર શોધવામાં લગભગ પંદર (!) વર્ષ લાગ્યાં. એક (!) દિવસ કરતાં ઓછા સમયમાં, ઈલેક્ટ્રોનિક મશીને 2048 દશાંશ સ્થાનો સાથે આ આંકડો “ઉત્પન્ન” કર્યો.

હાલમાં, એવા મશીનો છે જે ચેસ રમે છે, એક ભાષામાંથી બીજી ભાષામાં અનુવાદ કરે છે, ઘણા અજાણ્યાઓ સાથે બીજગણિત સમીકરણો ઉકેલે છે અને અન્ય ઘણી ક્રિયાઓ કરે છે જે તેમના પહેલાં ફક્ત માનવ વિચારનો "વિશેષાધિકાર" હતો.

એવું લાગે છે કે આ માનવ વિચાર અને કમ્પ્યુટરના કાર્યની ઓળખનો પુરાવો છે. જો કે, કોઈએ આવા નિષ્કર્ષ પર ઉતાવળ કરવી જોઈએ નહીં. મશીન વિચારતી વખતે અને કામ કરતી વખતે સમાન પરિણામો પ્રાપ્ત કરવાની પદ્ધતિઓમાં ઓળખ છે કે કેમ તે સમજવું સૌ પ્રથમ જરૂરી છે.

વૈજ્ઞાનિક મનોવિજ્ઞાન આ પ્રશ્નનો જવાબ નકારાત્મકમાં આપે છે. ચાલો સમસ્યાઓ હલ કરતી વખતે માનવ વિચારસરણી વિશે જે કહેવામાં આવ્યું છે તેના પર પાછા ફરીએ. યાબ્લોચકોવ દ્વારા તેની "મીણબત્તી" ની શોધમાં, કેકુલે દ્વારા બેન્ઝીન રીંગ ફોર્મ્યુલાની શોધમાં, નવ બિંદુઓને પાર કરીને, માનવ વિચારની એક વિશિષ્ટ વિશેષતા પ્રગટ થાય છે - એક નવો સિદ્ધાંત શોધવાની ક્ષમતા, સમસ્યા હલ કરવાની નવી રીત. કે જે વ્યક્તિએ પહેલા હલ કરી નથી અને તેને હલ કરવાની રીતો જે તેને હજુ સુધી ખબર નથી. માનવ વિચારસરણી વધુ અને વધુ નવી સમસ્યાઓના નિર્માણમાં પોતાને પ્રગટ કરે છે, ઉકેલોની શોધમાં જેના માટે કોઈ તૈયાર વાનગીઓ નથી. તે જ સમયે, અગાઉ મળેલી પદ્ધતિઓની તુલના કરવામાં આવે છે, એવા ક્ષેત્રોમાં ઉકેલ શોધવાના પ્રયાસો કરવામાં આવે છે કે જે સમસ્યાનું નિરાકરણ લાવવામાં આવતી સમસ્યાથી ભિન્ન હોય તેવું લાગે છે (યાબ્લોચકોવ અને કેકુલે દ્વારા કરવામાં આવેલી શોધોના સંજોગોને યાદ રાખો).

પરંતુ જલદી જ કોઈ વ્યક્તિ ઉકેલનો સિદ્ધાંત શોધે છે, તે તેને સામાન્ય નિયમમાં, એક સૂત્રમાં ફેરવે છે, જેને અનુસરીને વ્યક્તિ ખૂબ શોધ કર્યા વિના સમાન પ્રકારની સમસ્યાઓનો સામનો કરી શકે છે.

આપણે બધા સારી રીતે જાણીએ છીએ કે શાળાની "મુશ્કેલ" સમસ્યા "મુશ્કેલ" બનવાનું બંધ થઈ જાય છે જ્યારે તેને ઉકેલવા માટેનો નિયમ મળે છે - પછી તે લાક્ષણિક બની જાય છે, આવશ્યકપણે પહેલાથી જ ઉદાહરણમાં ફેરવાઈ જાય છે. તેથી, જો તમને નવ બિંદુઓ સાથે સમસ્યા હલ કરવાનો સિદ્ધાંત મળ્યો હોય, તો તમારા માટે ચોરસના આકારમાં સ્થિત ચાર બિંદુઓ સાથે સમસ્યા હલ કરવી સરળ રહેશે.

ગણિતનો ઇતિહાસ સાક્ષી આપે છે તેમ, એક સમયે પ્રસિદ્ધ પાયથાગોરિયન પ્રમેયનો પુરાવો અને ઉપયોગ એટલો મુશ્કેલ હતો અને વિચારના એટલા તીવ્ર અને જટિલ કાર્યની જરૂર હતી કે તેને શીખવાની મર્યાદા માનવામાં આવતી હતી. હવે આ પ્રમેય પર આધારિત સૂત્રોનો ઉપયોગ પ્રાથમિક ભૂમિતિથી પરિચિત કોઈપણ શાળાના બાળક માટે તદ્દન સુલભ છે.

પરંતુ તે ચોક્કસપણે આ નવી સમસ્યાઓ, તેમને ઉકેલવા માટેના સિદ્ધાંતો અને ઇલેક્ટ્રોનિક મશીનો માટે અપ્રાપ્ય એવી કેટલીક પરિસ્થિતિઓમાં ક્રિયાની નવી પદ્ધતિઓનો નિર્ધારણ છે.

તેમની તમામ સૌથી જટિલ ક્રિયાઓમાં, મશીનોને તેમના માટે એક વ્યક્તિ દ્વારા સંકલિત આદેશોના વિશેષ કોષ્ટક દ્વારા માર્ગદર્શન આપવામાં આવે છે જેણે પહેલાથી જ મશીન દ્વારા પુનઃઉત્પાદિત અને પુનરાવર્તિત થઈ શકે તેવી સમસ્યાને ઉકેલવા માટે એક સિદ્ધાંત શોધી કાઢ્યો છે. આદેશોના આવા કોષ્ટક, જે આ પ્રકારની સમસ્યાઓ હલ કરતી વખતે ક્રિયાઓમાં ચોક્કસ માર્ગદર્શન આપે છે, તેને પ્રોગ્રામ કહેવામાં આવે છે. અને મશીન કોઈપણ કાર્ય કરી શકે છે જેના માટે વ્યક્તિ, તેની વિચારસરણીના આધારે, અગાઉ આવા પ્રોગ્રામનું સંકલન કરે છે. તેના વિના, અને તેથી વ્યક્તિની પ્રારંભિક માનસિક પ્રવૃત્તિ વિના, "વિચાર" મશીન કામ કરી શકતું નથી. પરંતુ પ્રોગ્રામ મુજબ, મશીન વ્યક્તિ કરતા લાખો ગણી ઝડપથી જરૂરી ક્રિયાઓ કરશે. તેથી જ તે હજાર અંકો સાથે "pi" નંબરને આઉટપુટ કરી શકે છે, પરંતુ ફક્ત માણસ દ્વારા પહેલાથી જ શોધાયેલ અને તેના દ્વારા ઇચ્છિત પ્રોગ્રામમાં રૂપાંતરિત નિયમો અનુસાર.

આમ, મશીન ફક્ત તે જ ક્રિયાઓ કરી શકે છે, જેનો સિદ્ધાંત માણસ દ્વારા પહેલેથી જ શોધી અને વિચારવામાં આવ્યો છે. એટલા માટે ઇલેક્ટ્રોનિક કમ્પ્યુટિંગ ઉપકરણો વ્યક્તિના માનસિક કાર્યને સરળ બનાવે છે, તેને કંટાળાજનક કામમાંથી મુક્ત કરે છે, જેના માટે મૂળભૂત ઉકેલ મળી આવ્યો છે. પરંતુ આ મશીનો લોકોના ખૂબ જ વિચાર અને માનસિક કાર્યને ક્યારેય બદલી શકતા નથી, જેનો હેતુ જીવન દ્વારા આગળ મૂકવામાં આવતી વધુ અને વધુ નવી સમસ્યાઓના ઉકેલ માટેના સિદ્ધાંતો શોધવાનો છે.

તેથી, શબ્દ "વિચાર" મશીન માત્ર એક રૂપક છે, પરંતુ એક કે જે ઇલેક્ટ્રોનિક મશીનો અને વિચાર વચ્ચેના જોડાણને યોગ્ય રીતે મેળવે છે. આ મશીનો માનવ મનના કાર્યના પરિણામોનો ઉપયોગ કરે છે, તેને સુવિધા આપે છે, પરંતુ તેઓ પોતે વિચારતા નથી. વિચારવું એ માણસને જ સહજ છે.

જો તમને કોઈ ભૂલ મળે, તો કૃપા કરીને ટેક્સ્ટનો એક ભાગ પ્રકાશિત કરો અને ક્લિક કરો Ctrl+Enter.