Turingmaskiner och neuronnät

Anhängare av stark AI, såväl som många skeptiker, vill undvika transcendenta förklaringar av intelligens, och – om möjligt – överbrygga ”kvalitativa språng”. *

Den springande punkten är möjligheten att specificera mänsklig intelligens (a) i princip) och (b) i praktiken.

Och även här är man ofta delvis överens: Ja, i princip går det (a). Detta ställningstagande är en konsekvens av en gemensam utgångspunkt: evolutionär, materialistisk och icke-transcendent.

Vad som ofta skiljer olika debattörer åt är graden av tilltro till möjligheten att i praktiken analysera och återskapa mänsklig intelligens (b).

En del verkar resonera att av (a) följer också (b).

Jag menar att (b) inte följer av (a), men jag vill ändå tro också på (b).

Vissa verkar mena att (b) är en så komplex uppgift att det inte är realistiskt att tro att vi skulle kunna lösa den.

Turingmaskinen är definitivt ingen lyckad modell för evolutionärt utvecklade kognitiva processer. Den är, däremot, en demonstration av att en s.k. von Neumann-arkitektur i princip är förmögen att lösa en ofantligt stor – men begränsad – mängd problem (utifrån en mycket begränsad repertoar av grundläggande operationer).

Huruvida denna mängd problem är stor nog att i princip rymma mänsklig intelligens är en öppen fråga.

Att likställa en dator med en Turing-maskin är missvisande, av två skäl. För det första (i) utvecklas datorer som inte bygger på von Neumann-arkitekturen. För det andra (ii) används datorer (av von Neumann-typ) för att simulera andra ”maskiner”, vilka i sin tur används för att ”simulera” intelligent beteende.

Huruvida (ii) innebär att de med Turingmaskiner implementerade ”maskinerna” med nödvändighet är begränsade till samma mängd problem som en Turing-maskin är en öppen fråga. (En maskin implementerad på en Turingmaskin är med nödvändighet logiskt reducerbar till en Turingmaskin, men beskrivningen av den maskin som implementeras kan eventuellt möjliggöra kraftfullare beskrivningar av de uppgifter som den sätts att lösa.)

En mer realistisk modell av den arkitektur som (troligen) ligger till grund för mänsklig intelligens är (artificiella) neuronnät, ANN. Påstående (a) ovan inrymmer delvis tron att sådana modeller kan utvecklas så att de fångar allt som är relevant för beskrivningen av den maskin som möjliggör mänsklig intelligens. (Men det kan förstås vara så att någon ”detalj” undgår upptäckt, som en konsekvens av observationens teoriberoende, eller av begränsningar i de instrument och sinnen som används för inspektionen av den mänskliga förlagan.)

Huruvida ANN i princip är förmögna att lösa en större mängd problem än en Turingmaskin är en öppen fråga. Jag är övertygad om att så är fallet.

Huruvida ANN som implementeras med hjälp av många sammankopplade von Neumann-datorer kan reduceras till en Turingmaskin är en öppen fråga (tror jag).

Som vanligt finns djävulen i detaljerna. De svårfångade fenomen i mänsklig kognition (för att inte tala om andra mentala processer) som vi finner så svåra att definiera kan mycket väl vara utslag av kvantitativa skillnader mellan de ANN som hittills skapats och den mänskliga hjärnan (antalet noder och kopplingar, t.ex.). Det kan också tänkas uppkomma som ett resultat av kvalitativa skillnader (avsaknad av någon, förbisedd, komponent).

Men mest troligt är att skillnaderna inte ligger i arkitektureras kapacitet, utan i hur de är ”inställda”. Även om ANN kan tävla med den mänskliga hjärnan med avseende på antalet noder, antalet kopplingar, signalhastighet o.s.v.; och även om ANN är en i allt väsentligt fullständig beskrivning av hjärnans arkitektur; återstår frågan om vilka kopplingar som görs; vilka signaler som skickas, och när. En icke obetydlig komplikation är att ett (mänskligt) neuronnät är extremt dynamiskt och självjusterande – både på kort sikt (inlärning m.m.) och lång (evolution). Att modellera detta (på ett adekvat sätt) är en central del av forskningen inom AI.

Det är alltså här problemen ligger: i ”monteringen” och i ”handhavandet”.

Den första förbränningsmotorn krävde säkerligen en hel del justeringar innan den äntligen fungerade. Innan en mängd inställningar hade gjorts fungerade den troligen inte alls, trots att konstruktionen i princip var ”korrekt”. Och även efter det att motorn för första gången faktiskt hade hostat igång, krävdes ett grannlaga arbete för att finna de optimala inställningarna. Kanske har våra artificiella intelligenser redan hostat?

För att motorn ska åstadkomma något som en utomstående betraktare skulle uppfatta som meningsfullt krävs också att den integreras i ett större system – ett fordon – och att detta system i sin tur integreras i ett ännu större system – framförandet av fordonet i från punkt A till punkt B i trafik. Kanske står vi framför en bil, men vet ännu inte hur man kör den?

---

* "Kvalitativa språng" är besläktade med emergenta beteenden och icke-reducerbara egenskaper (paradexemplen är myrsamhällen och vatten). De kräver inte med nödvändighet transcendenta förklaringsmodeller, men de kan defintivt försvåra (och eventuellt omöjliggöra) den "reverse engineering" av mänsklig intelligens som forskning inom AI utgör.