10 τρόποι με τους οποίους η τεχνητή νοημοσύνη απέτυχε

Η Τεχνητή Νοημοσύνη (AI) δεν έχει απλώς αποτύχει να ανταποκριθεί στις προσδοκίες που έθεσαν οι υπερβολικά ενθουσιώδεις υποστηρικτές. απέτυχε να καλύψει συγκεκριμένες ανάγκες και βασικές απαιτήσεις. Αυτή η λίστα αφορά τις αποτυχίες που θα εμποδίσουν την τεχνητή νοημοσύνη να υπερέχει και να εκτελεί τις εργασίες που πρέπει να κάνουμε. Η τεχνητή νοημοσύνη είναι επί του παρόντος μια εξελισσόμενη τεχνολογία που είναι εν μέρει επιτυχημένη στην καλύτερη περίπτωση.

Ένα από τα βασικά ζητήματα γύρω από την τεχνητή νοημοσύνη σήμερα είναι ότι οι άνθρωποι συνεχίζουν να την ανθρωπομορφοποιούν και να την κάνουν κάτι που δεν είναι. Ένα AI δέχεται καθαρισμένα δεδομένα ως είσοδο, τα αναλύει, βρίσκει τα μοτίβα και παρέχει μια ζητούμενη έξοδο. Ένα AI δεν καταλαβαίνει τίποτα, δεν μπορεί να δημιουργήσει ή να ανακαλύψει κάτι νέο και δεν έχει ενδοπροσωπική γνώση, επομένως δεν μπορεί να συμπάσχει με κανέναν για οτιδήποτε. Μια τεχνητή νοημοσύνη συμπεριφέρεται όπως έχει σχεδιαστεί από έναν άνθρωπο προγραμματιστή και αυτό που συχνά θεωρείτε ευφυΐα είναι μόνο ένας συνδυασμός έξυπνου προγραμματισμού και τεράστιων ποσοτήτων δεδομένων που αναλύονται με συγκεκριμένο τρόπο. Για μια άλλη άποψη αυτών και άλλων ζητημάτων, ανατρέξτε στο άρθρο με τίτλο "Asking the Right Questions about AI".

Ακόμη πιο σημαντικό, ωστόσο, είναι ότι οι άνθρωποι που ισχυρίζονται ότι μια τεχνητή νοημοσύνη θα κυριαρχήσει τελικά στον κόσμο αδυνατούν να κατανοήσουν ότι κάτι τέτοιο είναι αδύνατο, δεδομένης της τρέχουσας τεχνολογίας. Μια τεχνητή νοημοσύνη δεν μπορεί ξαφνικά να αποκτήσει αυτογνωσία επειδή δεν έχει κανένα μέσο έκφρασης του συναισθήματος που απαιτείται για να αποκτήσει αυτογνωσία. Μια τεχνητή νοημοσύνη σήμερα δεν διαθέτει μερικά από τα βασικά επτά είδη νοημοσύνης που απαιτούνται για να αποκτήσει κανείς αυτογνωσία. Δεν θα αρκούσε ούτε η κατοχή αυτών των επιπέδων νοημοσύνης. Οι άνθρωποι έχουν μια σπίθα μέσα τους—κάτι που οι επιστήμονες δεν καταλαβαίνουν. Χωρίς να κατανοήσουμε τι είναι αυτή η σπίθα, η επιστήμη δεν μπορεί να την αναδημιουργήσει ως μέρος μιας τεχνητής νοημοσύνης.

Το AI στερείται εντελώς κατανόησης

Η ικανότητα κατανόησης είναι έμφυτη στους ανθρώπους, αλλά η τεχνητή νοημοσύνη την στερείται εντελώς. Κοιτάζοντας ένα μήλο, ένας άνθρωπος δεν είναι απλώς μια σειρά ιδιοτήτων που σχετίζονται με μια εικόνα ενός αντικειμένου. Οι άνθρωποι κατανοούν τα μήλα μέσω της χρήσης των αισθήσεων, όπως το χρώμα, η γεύση και η αίσθηση. Καταλαβαίνουμε ότι το μήλο είναι βρώσιμο και παρέχει συγκεκριμένα θρεπτικά συστατικά. Έχουμε συναισθήματα για τα μήλα. ίσως μας αρέσουν και νιώθουμε ότι είναι το υπέρτατο φρούτο. Το AI βλέπει ένα αντικείμενο που έχει ιδιότητες που σχετίζονται με αυτό — τιμές που το AI δεν κατανοεί, αλλά μόνο χειρίζεται. Η αποτυχία κατανόησης προκαλεί την τεχνητή νοημοσύνη στο σύνολό της να μην ανταποκρίνεται στις προσδοκίες.

Ερμηνεύοντας, όχι αναλύοντας

Ένα AI χρησιμοποιεί αλγόριθμους για να χειριστεί τα εισερχόμενα δεδομένα και να παράγει μια έξοδο. Η έμφαση δίνεται στην ανάλυση των δεδομένων. Ωστόσο, ένας άνθρωπος ελέγχει την κατεύθυνση αυτής της ανάλυσης και στη συνέχεια πρέπει να ερμηνεύσει τα αποτελέσματα. Για παράδειγμα, ένα AI μπορεί να εκτελέσει μια ανάλυση μιας ακτινογραφίας που δείχνει έναν πιθανό όγκο καρκίνου. Η προκύπτουσα έξοδος μπορεί να τονίσει ένα τμήμα της ακτινογραφίας που περιέχει έναν όγκο, έτσι ώστε ο γιατρός να μπορεί να τον δει. Ο γιατρός μπορεί να μην είναι σε θέση να δει τον όγκο διαφορετικά, επομένως το AI παρέχει αναμφίβολα μια σημαντική υπηρεσία. Ακόμα κι έτσι, ένας γιατρός πρέπει να εξετάσει το αποτέλεσμα και να καθορίσει εάν η ακτινογραφία δείχνει πράγματι καρκίνο. Ένα AI ξεγελιέται εύκολα σε στιγμές που ακόμη και ένα μικρό τεχνούργημα εμφανίζεται σε λάθος μέρος. Συνεπώς,

Η ερμηνεία συνεπάγεται επίσης την ικανότητα να βλέπει κανείς πέρα ​​από τα δεδομένα. Δεν είναι η ικανότητα δημιουργίας νέων δεδομένων, αλλά η κατανόηση ότι τα δεδομένα μπορεί να υποδεικνύουν κάτι διαφορετικό από αυτό που είναι εμφανές. Για παράδειγμα, οι άνθρωποι μπορούν συχνά να πουν ότι τα δεδομένα είναι πλαστά ή παραποιημένα, παρόλο που τα ίδια τα δεδομένα δεν παρουσιάζουν στοιχεία που να υποδεικνύουν αυτά τα προβλήματα. Ένα AI δέχεται τα δεδομένα ως αληθινά και αληθινά, ενώ ένας άνθρωπος ξέρει ότι δεν είναι ούτε αληθινά ούτε αληθινά. Η επισημοποίηση του πώς ακριβώς οι άνθρωποι επιτυγχάνουν αυτόν τον στόχο είναι επί του παρόντος αδύνατη επειδή οι άνθρωποι στην πραγματικότητα δεν τον καταλαβαίνουν.

Ξεπερνώντας τους καθαρούς αριθμούς

Παρά την οποιαδήποτε εμφάνιση κατά τα άλλα, ένα AI λειτουργεί μόνο με αριθμούς. Ένα AI δεν μπορεί να καταλάβει λέξεις, για παράδειγμα, που σημαίνει ότι όταν του μιλάτε, το AI απλώς εκτελεί αντιστοίχιση μοτίβων αφού μετατρέψει την ομιλία σας σε αριθμητική μορφή. Η ουσία αυτού που λες έχει φύγει. Ακόμα κι αν η τεχνητή νοημοσύνη ήταν σε θέση να κατανοήσει λέξεις, δεν θα μπορούσε να το κάνει επειδή οι λέξεις έχουν φύγει μετά τη διαδικασία του tokenization. Η αποτυχία των AI να κατανοήσουν κάτι τόσο βασικό όσο οι λέξεις σημαίνει ότι η μετάφραση ενός AI από τη μια γλώσσα στην άλλη θα στερείται πάντα αυτό το κάτι που χρειάζεται για να μεταφράσει το συναίσθημα πίσω από τις λέξεις, καθώς και τις ίδιες τις λέξεις. Οι λέξεις εκφράζουν συναισθήματα και μια τεχνητή νοημοσύνη δεν μπορεί να το κάνει αυτό.

Η ίδια διαδικασία μετατροπής συμβαίνει με κάθε αίσθηση που διαθέτουν οι άνθρωποι. Ένας υπολογιστής μεταφράζει την όραση, τον ήχο, την όσφρηση, τη γεύση και την αφή σε αριθμητικές αναπαραστάσεις και στη συνέχεια εκτελεί αντιστοίχιση μοτίβων για να δημιουργήσει ένα σύνολο δεδομένων που προσομοιώνει την εμπειρία του πραγματικού κόσμου. Περιπλέκοντας περαιτέρω τα πράγματα, οι άνθρωποι συχνά βιώνουν τα πράγματα διαφορετικά μεταξύ τους. Για παράδειγμα, κάθε άτομο βιώνει το χρώμα μοναδικά . Για ένα AI, κάθε υπολογιστής βλέπει το χρώμα με τον ίδιο ακριβώς τρόπο, πράγμα που σημαίνει ότι ένα AI δεν μπορεί να βιώσει τα χρώματα μοναδικά. Επιπλέον, λόγω της μετατροπής, ένα AI στην πραγματικότητα δεν έχει καθόλου χρώμα.

Εξετάζοντας τις συνέπειες

Ένα AI μπορεί να αναλύσει δεδομένα, αλλά δεν μπορεί να κάνει ηθικές ή ηθικές κρίσεις. Εάν ζητήσετε από μια τεχνητή νοημοσύνη να κάνει μια επιλογή, θα επιλέγει πάντα την επιλογή με τις υψηλότερες πιθανότητες επιτυχίας, εκτός εάν παρέχετε και κάποιο είδος τυχαίας συνάρτησης. Το AI θα κάνει αυτή την επιλογή ανεξάρτητα από το αποτέλεσμα.

Σε πολλές περιπτώσεις, η εσφαλμένη εκτίμηση της ικανότητας ενός AI να εκτελέσει μια εργασία είναι απλώς άβολη. Σε ορισμένες περιπτώσεις, μπορεί να χρειαστεί να εκτελέσετε την εργασία δεύτερη ή τρίτη φορά με μη αυτόματο τρόπο, επειδή η τεχνητή νοημοσύνη δεν είναι κατάλληλη για την εργασία. Ωστόσο, όσον αφορά τις συνέπειες, μπορεί να αντιμετωπίσετε νομικά προβλήματα εκτός από τα ηθικά και ηθικά προβλήματα, εάν εμπιστεύεστε μια τεχνητή νοημοσύνη να εκτελέσει μια εργασία που δεν ταιριάζει σε αυτήν. Για παράδειγμα, το να επιτρέπετε σε ένα αυτοκίνητο αυτόνομης οδήγησης (SD) να οδηγεί μόνο του σε μέρος που δεν καλύπτει αυτή την ανάγκη είναι πιθανότατα παράνομο και θα αντιμετωπίσετε νομικά προβλήματα εκτός από ζημιές και ιατρικές χρεώσεις που μπορεί το αυτοκίνητο SD αιτία. Εν ολίγοις, μάθετε ποιες είναι οι νομικές απαιτήσεις προτού εμπιστευτείτε μια τεχνητή νοημοσύνη για να κάνει οτιδήποτε έχει πιθανές συνέπειες.

Τα AI δεν μπορούν να ανακαλύψουν ή να δημιουργήσουν κάτι

Μια τεχνητή νοημοσύνη μπορεί να παρεμβάλλει την υπάρχουσα γνώση, αλλά δεν μπορεί να προεκτείνει την υπάρχουσα γνώση για να δημιουργήσει νέα γνώση. Όταν μια τεχνητή νοημοσύνη αντιμετωπίζει μια νέα κατάσταση, συνήθως προσπαθεί να την επιλύσει ως υπάρχουσα γνώση, αντί να αποδεχτεί ότι είναι κάτι νέο. Στην πραγματικότητα, ένα AI δεν έχει καμία μέθοδο για να δημιουργήσει κάτι νέο ή να το δει ως κάτι μοναδικό. Αυτές είναι ανθρώπινες εκφράσεις που μας βοηθούν να ανακαλύψουμε νέα πράγματα, να εργαστούμε μαζί τους, να επινοήσουμε μεθόδους αλληλεπίδρασης μαζί τους και να δημιουργήσουμε νέες μεθόδους για τη χρήση τους για την εκτέλεση νέων εργασιών ή την αύξηση των υπαρχουσών εργασιών.

Επινοώντας νέα δεδομένα από παλιά

Μία από τις πιο κοινές εργασίες που εκτελούν οι άνθρωποι είναι η παρέκταση δεδομένων. για παράδειγμα, με δεδομένο το Α, τι είναι το Β; Οι άνθρωποι χρησιμοποιούν την υπάρχουσα γνώση για να δημιουργήσουν νέα γνώση διαφορετικού είδους. Γνωρίζοντας ένα κομμάτι γνώσης, ένας άνθρωπος μπορεί να κάνει ένα άλμα σε ένα νέο κομμάτι γνώσης, έξω από το πεδίο της αρχικής γνώσης, με μεγάλη πιθανότητα επιτυχίας. Οι άνθρωποι κάνουν αυτά τα άλματα τόσο συχνά που γίνονται δεύτερη φύση και διαισθητικοί στο άκρο. Ακόμη και τα παιδιά μπορούν να κάνουν τέτοιες προβλέψεις με υψηλό ποσοστό επιτυχίας.

Το καλύτερο που θα κάνει ποτέ μια τεχνητή νοημοσύνη είναι να παρεμβάλλει δεδομένα, για παράδειγμα, δεδομένου του Α και του Β, είναι το C κάπου ενδιάμεσα; Η δυνατότητα επιτυχούς παρεμβολής δεδομένων σημαίνει ότι ένα AI μπορεί να επεκτείνει ένα μοτίβο, αλλά δεν μπορεί να δημιουργήσει νέα δεδομένα. Ωστόσο, μερικές φορές οι προγραμματιστές μπορούν να παραπλανήσουν τους ανθρώπους να πιστεύουν ότι τα δεδομένα είναι νέα χρησιμοποιώντας έξυπνες τεχνικές προγραμματισμού. Η παρουσία του C φαίνεται νέα όταν πραγματικά δεν είναι. Η έλλειψη νέων δεδομένων μπορεί να δημιουργήσει συνθήκες που κάνουν το AI να φαίνεται ότι λύνει ένα πρόβλημα, αλλά δεν το κάνει. Το πρόβλημα απαιτεί μια νέα λύση, όχι την παρεμβολή των υπαρχουσών λύσεων.

Βλέποντας πέρα ​​από τα μοτίβα

Επί του παρόντος, μια τεχνητή νοημοσύνη μπορεί να δει μοτίβα στα δεδομένα όταν αυτά δεν είναι εμφανή στους ανθρώπους. Η ικανότητα να βλέπουμε αυτά τα μοτίβα είναι αυτό που κάνει την τεχνητή νοημοσύνη τόσο πολύτιμη. Ο χειρισμός και η ανάλυση δεδομένων είναι χρονοβόρα, πολύπλοκη και επαναλαμβανόμενη, αλλά μια τεχνητή νοημοσύνη μπορεί να εκτελέσει την εργασία με μεγάλη προσοχή. Ωστόσο, τα μοτίβα δεδομένων είναι απλώς μια έξοδος και όχι απαραίτητα μια λύση. Οι άνθρωποι βασίζονται σε πέντε αισθήσεις, την ενσυναίσθηση, τη δημιουργικότητα και τη διαίσθηση για να δουν πέρα ​​από τα πρότυπα σε μια πιθανή λύση που βρίσκεται έξω από αυτό που τα δεδομένα θα οδηγούσαν κάποιον να πιστέψει.

Ένας βασικός τρόπος για να κατανοήσουμε την ανθρώπινη ικανότητα να βλέπει πέρα ​​από τα μοτίβα είναι να κοιτάξουμε τον ουρανό. Σε μια συννεφιασμένη μέρα, οι άνθρωποι μπορούν να δουν μοτίβα στα σύννεφα, αλλά μια τεχνητή νοημοσύνη βλέπει σύννεφα και μόνο σύννεφα. Επιπλέον, δύο άτομα μπορεί να δουν διαφορετικά πράγματα στο ίδιο σύνολο σύννεφων. Η δημιουργική άποψη των μοτίβων στο σύννεφο μπορεί να έχει ένα άτομο να βλέπει ένα πρόβατο και ένα άλλο ένα σιντριβάνι. Το ίδιο ισχύει για τα αστέρια και άλλα είδη μοτίβων. Η τεχνητή νοημοσύνη παρουσιάζει το μοτίβο ως έξοδο, αλλά δεν κατανοεί το μοτίβο και δεν έχει τη δημιουργικότητα να κάνει οτιδήποτε με το μοτίβο, εκτός από την αναφορά ότι το μοτίβο υπάρχει.

Εφαρμογή νέων αισθήσεων

Καθώς οι άνθρωποι έχουν γίνει πιο γνώστες, έχουν επίσης συνειδητοποιήσει διακυμάνσεις στις ανθρώπινες αισθήσεις που στην πραγματικότητα δεν μεταφράζονται καλά σε τεχνητή νοημοσύνη, επειδή η αναπαραγωγή αυτών των αισθήσεων στο υλικό δεν είναι πραγματικά δυνατή τώρα. Για παράδειγμα, η ικανότητα χρήσης πολλαπλών αισθήσεων για τη διαχείριση μιας μεμονωμένης εισόδου ( συναισθησία ) είναι πέρα ​​από ένα AI.

Η αποτελεσματική περιγραφή της συναισθησίας είναι πολύ πέρα ​​από τους περισσότερους ανθρώπους. Προτού μπορέσουν να δημιουργήσουν ένα AI που μπορεί να μιμηθεί μερικά από τα πραγματικά εκπληκτικά αποτελέσματα της συναισθησίας, οι άνθρωποι πρέπει πρώτα να το περιγράψουν πλήρως και στη συνέχεια να δημιουργήσουν αισθητήρες που θα μετατρέψουν την εμπειρία σε αριθμούς που μπορεί να αναλύσει ένα AI. Ωστόσο, ακόμη και τότε, η τεχνητή νοημοσύνη θα δει μόνο τα αποτελέσματα της συναισθησίας, όχι τη συναισθηματική επίδραση. Κατά συνέπεια, ένα AI ποτέ δεν θα βιώσει ή θα κατανοήσει πλήρως τη συναισθησία. Παραδόξως, ορισμένες μελέτες δείχνουν ότι οι ενήλικες μπορούν να εκπαιδευτούν ώστε να έχουν συναισθητικές εμπειρίες , καθιστώντας αβέβαιη την ανάγκη για τεχνητή νοημοσύνη.

Αν και οι περισσότεροι άνθρωποι γνωρίζουν ότι οι άνθρωποι έχουν πέντε αισθήσεις, πολλές πηγές υποστηρίζουν τώρα ότι οι άνθρωποι έχουν στην πραγματικότητα πολύ περισσότερες από τις τυπικές πέντε αισθήσεις. Μερικές από αυτές τις πρόσθετες αισθήσεις δεν είναι καθόλου καλά κατανοητές και είναι μόλις αποδείξιμες, όπως η μαγνητοαντίληψη (η ικανότητα ανίχνευσης μαγνητικών πεδίων, όπως το μαγνητικό πεδίο της γης). Αυτή η αίσθηση δίνει στους ανθρώπους την ικανότητα να λένε κατεύθυνση, παρόμοια με την ίδια αίσθηση στα πουλιά, αλλά σε μικρότερο βαθμό. Επειδή δεν έχουμε καμία μέθοδο να ποσοτικοποιήσουμε αυτή την αίσθηση, η αναπαραγωγή της ως μέρος μιας τεχνητής νοημοσύνης είναι αδύνατη.

Τα AI στερούνται ενσυναίσθησης

Οι υπολογιστές δεν αισθάνονται τίποτα. Αυτό δεν είναι απαραίτητα αρνητικό, αλλά αυτό το κεφάλαιο το θεωρεί αρνητικό. Χωρίς την ικανότητα να αισθάνεται, ένας υπολογιστής δεν μπορεί να δει τα πράγματα από την οπτική γωνία ενός ανθρώπου. Δεν καταλαβαίνει ότι είναι χαρούμενος ή λυπημένος, επομένως δεν μπορεί να αντιδράσει σε αυτά τα συναισθήματα εκτός εάν ένα πρόγραμμα δημιουργήσει μια μέθοδο για να αναλύσει τις εκφράσεις του προσώπου και άλλους δείκτες και στη συνέχεια να ενεργήσει κατάλληλα. Ακόμα κι έτσι, μια τέτοια αντίδραση είναι μια κονσέρβα απάντηση και επιρρεπής σε σφάλματα. Σκεφτείτε πόσες αποφάσεις παίρνετε με βάση συναισθηματικές ανάγκες και όχι ξεκάθαρα γεγονότα. Η έλλειψη ενσυναίσθησης από την πλευρά ενός AI τον εμποδίζει να αλληλεπιδρά κατάλληλα με τους ανθρώπους σε πολλές περιπτώσεις.

Περπάτημα στα παπούτσια κάποιου

Η ιδέα του να περπατάς με τα παπούτσια κάποιου άλλου σημαίνει να βλέπεις τα πράγματα από την οπτική γωνία ενός άλλου ατόμου και να νιώθεις παρόμοια με αυτό που νιώθει ο άλλος. Κανείς δεν αισθάνεται πραγματικά ακριβώς το ίδιο με κάποιον άλλο, αλλά μέσω της ενσυναίσθησης, οι άνθρωποι μπορούν να έρθουν κοντά. Αυτή η μορφή ενσυναίσθησης απαιτεί ισχυρή ενδοπροσωπική νοημοσύνη ως σημείο εκκίνησης, την οποία μια τεχνητή νοημοσύνη δεν θα έχει ποτέ εάν δεν αναπτύξει μια αίσθηση του εαυτού της (η μοναδικότητα ). Επιπλέον, η τεχνητή νοημοσύνη θα πρέπει να μπορεί να αισθάνεται, κάτι που επί του παρόντος δεν είναι δυνατό, και η τεχνητή νοημοσύνη θα πρέπει να είναι ανοιχτή στο να μοιράζεται συναισθήματα με κάποια άλλη οντότητα (γενικά έναν άνθρωπο, σήμερα), κάτι που είναι επίσης αδύνατο. Η τρέχουσα κατάσταση της τεχνολογίας AI απαγορεύει σε μια τεχνητή νοημοσύνη να αισθάνεται ή να κατανοεί οποιοδήποτε είδος συναισθήματος, γεγονός που καθιστά αδύνατη την ενσυναίσθηση.

Φυσικά, το ερώτημα είναι γιατί η ενσυναίσθηση είναι τόσο σημαντική. Χωρίς την ικανότητα να αισθάνεται το ίδιο με κάποιον άλλο, μια τεχνητή νοημοσύνη δεν μπορεί να αναπτύξει το κίνητρο για να εκτελέσει ορισμένες εργασίες. Θα μπορούσατε να διατάξετε το AI να εκτελέσει την εργασία, αλλά εκεί το AI δεν θα είχε κίνητρο από μόνο του. Κατά συνέπεια, η τεχνητή νοημοσύνη δεν θα εκτελούσε ποτέ ορισμένες εργασίες, παρόλο που η εκτέλεση τέτοιων εργασιών είναι προϋπόθεση για τη δημιουργία δεξιοτήτων και γνώσεων που απαιτούνται για την επίτευξη ανθρώπινης νοημοσύνης.

Ανάπτυξη αληθινών σχέσεων

Ένα AI δημιουργεί μια εικόνα σας μέσω των δεδομένων που συλλέγει. Στη συνέχεια, δημιουργεί μοτίβα από αυτά τα δεδομένα και, χρησιμοποιώντας συγκεκριμένους αλγόριθμους, αναπτύσσει αποτελέσματα που το κάνουν να φαίνεται ότι σας γνωρίζει — τουλάχιστον ως γνωστό. Ωστόσο, επειδή το AI δεν αισθάνεται, δεν μπορεί να σας εκτιμήσει ως άτομο. Μπορεί να σας εξυπηρετήσει, εάν το παραγγείλετε και υποθέτοντας ότι η εργασία βρίσκεται στη λίστα των λειτουργιών της, αλλά δεν μπορεί να έχει καμία αίσθηση για εσάς.

Όταν ασχολούνται με μια σχέση, οι άνθρωποι πρέπει να λαμβάνουν υπόψη τόσο την πνευματική προσκόλληση όσο και τα συναισθήματα. Η διανοητική προσκόλληση συχνά προέρχεται από ένα κοινό όφελος μεταξύ δύο οντοτήτων. Δυστυχώς, δεν υπάρχει κοινό όφελος μεταξύ ενός AI και ενός ανθρώπου (ή οποιασδήποτε άλλης οντότητας, για αυτό το θέμα). Το AI απλώς επεξεργάζεται δεδομένα χρησιμοποιώντας έναν συγκεκριμένο αλγόριθμο. Κάτι δεν μπορεί να ισχυριστεί ότι αγαπά κάτι άλλο αν μια διαταγή το αναγκάσει να κάνει τη διακήρυξη. Η συναισθηματική προσκόλληση πρέπει να φέρει μαζί της τον κίνδυνο απόρριψης, που συνεπάγεται αυτογνωσία.

Αλλαγή προοπτικής

Οι άνθρωποι μερικές φορές μπορούν να αλλάξουν μια γνώμη με βάση κάτι διαφορετικό από τα γεγονότα. Παρόλο που οι πιθανότητες θα έλεγαν ότι μια συγκεκριμένη πορεία δράσης είναι συνετή, μια συναισθηματική ανάγκη κάνει μια άλλη πορεία δράσης προτιμότερη. Το AI δεν έχει προτιμήσεις. Επομένως, δεν μπορεί να επιλέξει άλλη πορεία δράσης για κανέναν άλλο λόγο εκτός από μια αλλαγή στις πιθανότητες, έναν περιορισμό (έναν κανόνα που το υποχρεώνει να κάνει την αλλαγή) ή μια απαίτηση παροχής τυχαίας εξόδου.

Κάνοντας άλματα πίστης

Πίστη είναι η πίστη σε κάτι ως αληθινό χωρίς να υπάρχει αποδεδειγμένο γεγονός που να υποστηρίζει μια τέτοια πεποίθηση. Σε πολλές περιπτώσεις, η πίστη παίρνει τη μορφή εμπιστοσύνης, που είναι η πίστη στην ειλικρίνεια ενός άλλου ατόμου χωρίς καμία απόδειξη ότι το άλλο άτομο είναι αξιόπιστο. Μια τεχνητή νοημοσύνη δεν μπορεί να επιδείξει ούτε πίστη ούτε εμπιστοσύνη, κάτι που είναι μέρος του λόγου που δεν μπορεί να επεκτείνει τη γνώση. Η πράξη της παρέκτασης βασίζεται συχνά σε μια προαίσθηση, βασισμένη στην πίστη, ότι κάτι είναι αληθινό, παρά την έλλειψη οποιουδήποτε είδους δεδομένων για την υποστήριξη της προαίσθησης. Επειδή μια τεχνητή νοημοσύνη στερείται αυτής της ικανότητας, δεν μπορεί να επιδείξει διορατικότητα - απαραίτητη προϋπόθεση για μοτίβα σκέψης που μοιάζουν με ανθρώπους.

Πολλά είναι τα παραδείγματα εφευρετών που έκαναν άλματα πίστης για να δημιουργήσουν κάτι νέο. Ωστόσο, ένας από τους πιο επιφανείς ήταν ο Έντισον. Για παράδειγμα, έκανε 1.000 (και πιθανώς περισσότερες) προσπάθειες για να δημιουργήσει τη λάμπα. Μια τεχνητή νοημοσύνη θα είχε παραιτηθεί μετά από έναν ορισμένο αριθμό προσπαθειών, πιθανότατα λόγω ενός περιορισμού. Μπορείτε να δείτε μια λίστα με άτομα που έκαναν άλματα πίστης για να κάνουν εκπληκτικές πράξεις στο διαδίκτυο. Κάθε μία από αυτές τις πράξεις είναι ένα παράδειγμα κάτι που δεν μπορεί να κάνει μια τεχνητή νοημοσύνη επειδή δεν έχει την ικανότητα να σκεφτεί πέρα ​​από τα συγκεκριμένα δεδομένα που παρέχετε ως είσοδο.