چه شباهت هایی بین هوش مصنوعی و انسان وجود دارد؟

چندین شباهت قابل توجه بین توسعه سیستم های هوش مصنوعی و تربیت کودکان انسان وجود دارد:

ظرفیت یادگیری - هم هوش مصنوعی و هم انسان ها ظرفیت باورنکردنی برای یادگیری، کسب دانش و کسب مهارت های جدید از طریق آموزش و تجربه دارند. مانند کودکان، الگوریتم‌های هوش مصنوعی با حداقل دانش داخلی شروع می‌شوند و به مرور زمان توانمندتر و آگاه‌تر می‌شوند.

نیازهای پرورشی - انسان ها برای رشد مناسب به حمایت، راهنمایی و محیط های پرورشی نیاز دارند. به طور مشابه، سیستم های هوش مصنوعی به مجموعه داده های مدیریت شده، نظارت دقیق و بازخورد سازنده برای اطمینان از یادگیری مناسب و رفتار مسئولانه نیاز دارند. عدم "پرورش" مناسب می تواند منجر به روابط عمومی شود

مشکلات در هر دو مورد

شکل دادن از طریق تجربیات اولیه - تجربیات اولیه کودک نقش مهمی در رشد عاطفی، اجتماعی و شناختی دارد. داده های اولیه و رویکردهای آموزشی مورد استفاده برای هوش مصنوعی به طور مشابه تأثیر زیادی بر نحوه تفسیر الگوریتم ها و تعامل با جهان دارند. مراقبت و اندیشیدن در مراحل اولیه حیاتی است.

پتانسیل رشد - با پایه های رشدی مناسب، هم انسان ها و هم هوش مصنوعی پتانسیل های بکر گسترده ای دارند. ارتباطات عصبی جدید به طور مداوم در ذهن های جوان شکل می گیرد، همانطور که یادگیری جدید سیستم های هوش مصنوعی را قادر می سازد قابلیت های خود را گسترش دهند. پرورش مناسب احتمالات بسیار زیادی را باز می کند.

خطر سوگیری یا رشد نامناسب - نقص در تربیت فردی می تواند منجر به تعصبات، مشکلات رفتاری یا نارسایی های اخلاقی شود. به طور مشابه، نقص و سوگیری در داده‌ها یا فرآیندهای آموزشی هوش مصنوعی می‌تواند منجر به الگوریتم‌های غیرقابل اعتماد، خطرناک یا غیراخلاقی شود. تلاش مداوم برای جلوگیری از این امر ضروری است.

تشابهات بین پیشرفت هوش مصنوعی و توسعه انسانی نشان می دهد که چرا یک رویکرد حمایتی، اخلاقی و فراگیر در ایجاد و پرورش فناوری ها و کودکانی که آینده را شکل می دهند بسیار مهم است. مسئولیت های موجود فراتر از معیارهای محدود توانایی ها یا هوش است.

کمبودها

 در مورد انسان چیست؟

سوأل

سیستم‌های هوش مصنوعی تعمیم‌یافته کنونی در مقایسه با هوش و توانایی‌های انسان دارای نقص‌هایی هستند:

1. عقل سلیم محدود - انسان ها ذاتاً ذخایر گسترده ای از دانش عمومی جهان و عقل سلیم را از سال ها تجربه ادراکی و تعاملی ایجاد می کنند. سیستم‌های GAI هنوز فاقد ظرفیت‌های استدلال عقل سلیم کافی هستند.

2. مجموعه مهارت های محدود - در حالی که هوش مصنوعی در وظایف و کاربردهای محدود خاص (مانند شطرنج، تشخیص تصویر) برتری دارد، تطبیق پذیری انسان، خلاقیت، هوش هیجانی و مهارت های اجتماعی با هوش عمومی مصنوعی بی نظیر است. انسان ها هنوز هم کلی گرایان بسیار برتر هستند.

3. درک ضعیف - هنگام مواجهه با داده ها یا موقعیت های ناآشنا فراتر از توزیع آموزشی آنها، سیستم های هوش مصنوعی فعلی می توانند به طور غیرقابل پیش بینی شکست بخورند. توانایی های استدلال زمینه ای انسان بسیار انعطاف پذیرتر و قوی تر است. ما به طور موثر با ورودی های جدید سازگار می شویم.

4. کدورت - عملکرد درونی مدل‌های پیچیده هوش مصنوعی می‌تواند تا حد زیادی مبهم باشد و تفسیرپذیری و توضیح‌پذیری را دشوار می‌کند. تفکر انسان به طور مشخصی شهودی، خودآگاه و شفاف تر است.

5. فقدان تجربیات مشترک - قرار گرفتن در دنیای فیزیکی با تجربیات شخصی ذهنی به انسان ها درک ذاتی از مفاهیمی مانند ماندگاری شی، مرگ و میر، تمایلات و غیره می دهد. سیستم های GAI فعلی فاقد این زمینه هستند.

6. بدون هدف یا اخلاق ذاتی- انسان ها نیازها، عواطف، هویت و انگیزه های ذاتی دارند. ما اصول اخلاقی را طی چندین نسل از تجربیات زیسته توسعه داده ایم. سیستم‌های هوش مصنوعی هیچ حس ذاتی هدف یا اخلاقی بدون مشخصات انسانی صریح ندارند.

با این حال، حوزه هوش عمومی مصنوعی به سرعت در حال پیشرفت است. و پیشرفت مداوم به سمت توسعه سیستم هایی با افزایش انعطاف پذیری، عقل سلیم و درک شهودی بیشتر در حد توانایی های انسانی در حال انجام است. اما هنوز شکاف های بزرگی وجود دارد که باید برطرف شود.

آیا هوش مصنوعی می تواند عقل سلیم را مانند انسان تکرار کند؟

سوأل

نه هنوز. در حالی که سیستم‌های هوش مصنوعی در زمینه‌هایی مانند تشخیص تصویر و بازی‌های رومیزی پیشرفت‌های چشمگیری داشته‌اند، تکرار ظرفیت انسانی برای استدلال گسترده عقل سلیم همچنان بسیار چالش برانگیز است.

برخی از دلایل کلیدی که چرا دستیابی به عقل سلیم در سطح انسانی بسیار دشوار است:

1. راه روشنی برای کسب وجود ندارد - عقل سلیم اساساً تمام حقایق و دانش اساسی جهان را نشان می دهد که ما از طریق شهود ذاتی و تجربه زندگی جمع آوری می کنیم. بسیاری از این موارد به طور ذاتی از طریق حواس ما طی سال‌ها یادگیری ثبت می‌شوند و به جای اینکه به طور صریح آموزش داده شوند، به صورت ضمنی و ضمنی آموزش داده می‌شوند. پی بردن به نحوه سخت‌کد کردن یا یادگیری دانش پس‌زمینه بسیار متنوع از طریق مهندسی/یادگیری ماشین به تنهایی بسیار دشوار است.

2. سوگیری اطلاعات در داده ها - مدل های ML اساساً بر تجزیه و تحلیل آماری مقادیر زیادی از داده ها متکی است. اما داده‌های بسیاری از قراردادهای مفروض، الگوهای گاه به گاه، رفتارها، اشیاء، روابطی که تجربه عقل سلیم روزانه ما را تشکیل می‌دهند، واقعاً در قالبی منظم برای تغذیه آسان سیستم‌های هوش مصنوعی وجود ندارد.

3. تجربه چندوجهی در حال تکامل مداوم - عقل سلیم شامل دانش چندحسی انباشته شده از تعامل با فضاهای فیزیکی در طول عمر است. ثبت بسیاری از حالت‌های به‌روزرسانی مستمر زمینه، رویدادها و روابط دنیای واقعی به‌طور نامحدود از طریق یک رابط کامپیوتری نیازمند پیشرفت‌های بزرگی است.

4. مکانیسمی برای آزمایش وجود ندارد - هیچ معیار ساده ای برای اندازه گیری کامل قابلیت های عقل سلیم در هوش مصنوعی یا ارزیابی مواردی مانند حس شهودی، استدلال در مورد موقعیت های خیالی، پیش بینی علیت جهان باز و غیره وجود ندارد. ایجاد پیشرفت بدون معیارهای دقیق.

در اصل، ماهیت ذاتاً «فاض‌آلود» عقل سلیم روزمره انسان به خوبی به من نمی‌رسد.

رمزگذاری مبتنی بر قوانین مکانیکی یا حتی یادگیری ماشین آماری به تنهایی. ما هنوز درک اساسی از مکانیسم‌های شناختی که منجر به دانش عمومی‌تر و ظرفیت‌های استدلالی می‌شود که مشخصه‌های هوش انسانی هستند، نداریم. برای دستیابی به شایستگی در سطح انسانی، پیشرفت‌های قابل توجهی در معماری‌های هوش مصنوعی مبتنی بر عقل سلیم همچنان مورد نیاز است.

آیا عقل سلیم انسان الگوریتم دارد؟ اگر بله: توضیح دهید.

سوأل

خیر، عقل سلیم انسانی از طریق هیچ الگوریتم منفرد و تعریف شده ای عمل نمی کند. استدلال و درک شهودی مشترک ما از مفاهیم اساسی روزمره، فیزیک، رفتارها، پویایی‌های اجتماعی و الگوهای علّی از ترکیبی نوظهور از ظرفیت‌های شناختی درونی و تجربه‌های باز دنیای واقعی ایجاد می‌شود. هیچ مدرکی برای "الگوریتم عقل سلیم" صریح در ذهن وجود ندارد.

چند دلیل کلیدی که چرا عقل سلیم انسان الگوریتمی نیست:

1. تجربه ذهنی چندوجهی: درک ما با مشاهده و تعامل با صحنه های فیزیکی پیچیده و پدیده های اجتماعی در واقعیت از طریق حواس چندگانه در طول سال ها به وجود می آید. این تجربه تجسم یافته ذهنی پایان باز نمی تواند بر روی هر نمودار جریان محاسباتی مجموعه ای متراکم شود.

2. یادگیری ضمنی: بیشتر عقل سلیم از یادگیری ضمنی ایجاد می شود - انتزاعات ظریف الگوها، مقتضیات اشیاء، قراردادها، و غیره که به طور ناخودآگاه در طول عمر جمع شده اند. هیچ گام گسسته دقیقی برای تعریف آگاهانه وجود ندارد. بینش ها در سطحی عمیق تر از دستورالعمل های الگوریتم چرخشی ظاهر می شوند.

3. دانش تطبیقی و پویا: عقل سلیم انسان دائماً به روز می شود، جزئیات را فراموش می کند، دیدگاه ها را بر اساس زمینه های جدید تغییر می دهد. دانش از طریق یادگیری به صورت پویا در ذهن خود سازمان می یابد. هیچ "پایگاه داده مرجع" ثابتی وجود ندارد که الگوریتم به آن متکی است.

4. شبیه سازی ذهنی و شهود: ما می توانیم از طریق تخیل و شهود در مقابل منطق صرف، اهرم و استدلال درباره عقل سلیم داشته باشیم. اجرای شبیه‌سازی‌های «چه می‌شد اگر» از سناریوهای فرضی، تداعی آزاد، استعاره و تکمیل الگو در ذهن ما هیچ رویه‌ای تعریف‌شده ندارد.

5. فقدان فرمالیسم: عقل سلیم مملو از مفاهیم تقریباً تعریف شده و مبهم است که هیچ تعاریف منطقی دقیق مشخص شده یا قوانین دستکاری قطعی که الگوریتم های دقیق برای اجرا به آن نیاز دارند، ندارند.

به طور کلی ابعاد بسیار زیادی وجود دارد - کادربندی انعطاف‌پذیر، سیال بودن زمینه، خودکار بودن عاری از قوانین/گام‌های عمدی - که مشخصه استدلال عقل سلیم انسانی است و آن را از تقلیل به فرآیندهای الگوریتمی باز می‌دارد. مکانیسم‌ها احتمالاً شباهت‌های بیشتری با شبکه‌های انجمنی و موتورهای احتمالی دارند.

متغیرهای مجهول در عقل سلیم کدامند؟

سوأل

چند دسته وسیع از متغیرها وجود دارد که در هنگام توسعه یک "عقل مشترک" قوی در هوش مصنوعی کاملاً ضعیف یا تا حدی تعریف شده اند:

1. دانش پس زمینه ضمنی - حجم وسیعی از حقایق، قراردادها، روابط، مفاهیم و روایات مفروض عقل سلیم که انسانها در مورد دنیای فیزیکی و اجتماعی روزمره انباشته می کنند، نهفته و مبهم است. اینکه چه چیزی و چه مقدار از دانش قبلی می توانیم به طور قطعی در مقابل آنچه که باید به صراحت مشخص شود تا ماشین ها بدانند، تکیه کنیم، هنوز مشخص نیست.

2. نقش تجسم - تجربیات حسی حرکتی به عنوان عوامل تجسم یافته با عاملی که امکان اکتشاف و تعامل آزاد در محیط های طبیعی را فراهم می کند، برای توسعه شهود موقعیتی به عقل سلیم انسانی بسیار مهم به نظر می رسد. با این حال، ترجمه این فرآیند توسعه دنیای واقعی باز به شبیه‌سازی‌های مناسب برای عوامل مجازی/دیجیتال هنوز تا حد زیادی تجربی است.

3. تایپ و طبقه بندی جنبه های دانش - ایجاد هستی شناسی های ساختار یافته، طرح های تایپ، طبقه بندی و نمودارهای رابطه بین وجوه مختلف مانند اشیا، زمینه ها، پویایی رویدادها، عوامل فضایی، قراردادهای اجتماعی و غیره می تواند به رسمیت بخشیدن و رمزگذاری عقل سلیم کمک کند. اما چارچوب های جامع هنوز در حال تکامل هستند.

4. مکانیسم‌های استدلال - ظرفیت‌های شناختی مرتبه بالا که امکان استدلال انعطاف‌پذیر را از طریق قیاس، شبیه‌سازی‌های خیالی علیت، یا بازیابی دلپذیر از مفروضات بیش از حد ساده‌شده فراهم می‌کند، احتمالاً زیربنای عقل سلیم انسان است. مکانیسم‌های محاسباتی دقیق برای تکرار چنین استدلال قوی با دانش نامشخص همچنان نامشخص است.

5. مسیر رشد - مدل‌هایی که مسیر واقعی اکتساب عقل سلیم در کودکان را در طول زمان ترسیم می‌کنند که شامل مفاهیم اولیه مفهومی، فیزیک ساده‌لوحانه، نظریه ذهن، ماندگاری شی و غیره می‌شود می‌تواند الگوهای یادگیری برای هوش مصنوعی ارائه کند. اما بینش های مبتنی بر تجربی در مورد این جدول زمانی کلیدی توسعه هنوز در حال تکامل است.

در اصل، تئوری های محکم یا مشخصات رسمی کمی وجود دارد که محتوا یا مکانیسم های عقل سلیم را مشخص می کند. مهندسی معکوس مهارت های ضمنی زیربنای شناخت طبیعی با بسیاری از سوالات باز پیچیده است. بنابراین، پیشرفت هوش مصنوعی به عقل سلیم در سطح انسانی بسیار چالش برانگیز است.

بیایید فرض کنیم که یک عکس از یک اسب به هوش مصنوعی نشان داده می شود - تصویری، و یک میدان سبز و تصاویر مسیر اسب.

یا هوش مصنوعی بدون نظارت می تواند اسب را به درستی با تصاویر مرتبط قرار دهد؟آ

سوأل

بله، من معتقدم که سیستم‌های هوش مصنوعی بدون نظارت پیشرفته، توانایی ایجاد خودکار و ارتباط خودکار مفاهیم بصری جدید مانند اسب‌ها را به صحنه‌های مرتبط مانند زمین‌های سبز و مسیرهای اسب سواری بدون برچسب‌گذاری صریح نشان داده‌اند.

رویکردهای کلیدی که این امکان را فراهم می کند عبارتند از:

• یادگیری خود نظارتی مفاهیم بصری از مجموعه داده های بزرگ تصاویر/فیلم ها - الگوریتم ها می توانند الگوها و مفاهیم نهفته مانند شکل اسب، بافت، روابط اسب سوار و غیره را به تنهایی با بازسازی و پیش بینی قطعات گمشده در داده های بصری کشف کنند.

• الگوریتم‌های یادگیری متریک - اینها به یک سیستم هوش مصنوعی اجازه می‌دهد تا شباهت معنایی و متنی بین جاسازی‌ها/بردارهای بصری مختلف که مواردی مانند اسب‌ها، زمین‌ها یا مسیرهای اسب را نشان می‌دهند، مدل‌سازی کند. یاد می گیرد که مفاهیم مرتبط را بدون برچسب کنار هم قرار دهد.

• روش‌های متضاد - این مفاهیم بصری را با به حداکثر رساندن توافق بین نماها/محصولات مختلف از تصویر اسب یکسان در حالی که همپوشانی بین مزارع سبز (مفهوم متفاوت) را به حداقل می‌رسانند، به بازنمایی‌های متمایز تقطیر می‌کنند. این از اختلاط مفاهیم جلوگیری می کند.

• مدل‌های چندوجهی - تجزیه و تحلیل مشترک روش‌های همزمان مانند تصاویر، متن، و ابرداده‌ها، امکان شناسایی تداعی‌های متقابل وجهی مانند «اسب» و «زمین چمن» را می‌دهد که اغلب همزمان اتفاق می‌افتند. این درک زمینه ای را تقویت می کند.

بینش کلیدی این است که داده‌های بصری بدون برچسب به اندازه کافی بزرگ و متنوع حاوی روابط آماری غنی بین زمینه‌ها، صحنه‌ها و اشیاء همزمان هستند که می‌توانند به‌طور خودکار توسط الگوریتم‌های خود نظارتی مدرن بدون نیاز صریح به حاشیه‌نویسی دستی کشف شوند. بنابراین یک عامل هوش مصنوعی بدون نظارت می‌تواند با خلاصه کردن این روابط درونی پنهان، اسب‌ها را با صحنه‌های پس‌زمینه مناسب زمین‌های چمن و مسیر اسب‌ها مرتبط کند.

آیا یادگیری بدون نظارت مفهوم گشتالت دارد؟

سوأل

خیر، الگوریتم های یادگیری بدون نظارت به صراحت اصول گشتالت ادراک بصری را اجرا نمی کنند. با این حال، برخی از رفتارهای نوظهور رویکردهای یادگیری بدون نظارت مدرن شباهت هایی با مفاهیم خاص گشتالت دارند:

1. گروه بندی بر اساس شباهت - تکنیک های یادگیری بدون نظارت مانند خوشه بندی به طور خودکار نقاط داده را بر اساس شباهت ویژگی ها گروه بندی می کند. این مشابه قانون گشتالت تشابه است، هرچند که توسط فضاهای ویژگی های ریاضی به جای ویژگی های ادراکی هدایت می شود.

2. بخش‌بندی بخش-کل - تقسیم‌بندی در بینایی رایانه، تصاویر را به بخش‌های تشکیل‌دهنده می‌شکند. روش‌هایی مانند سازگاری فضایی و نقاشی درون تصویر برای پیش‌بینی بخش‌های از دست رفته، شباهت‌هایی با قانون بسته شدن گشتالت نشان می‌دهند.

3. پیوستگی و انحنا - الگوریتم‌های تشخیص کانتور که خطوط و سطوح پیوسته را برای استخراج اشکال درون‌یابی می‌کنند، از نظر مفهومی با قانون تداوم خوب ارتباط دارند.

4. ادراکات تقارن - تشخیص الگوهای بصری از طریق تغییر ناپذیری تبدیل، اشکال تقارن را تشخیص می دهد. این شبیه تمرکز گشتالت بر تقارن است.

با این حال، چند تفاوت اساسی وجود دارد:

• رویکردهای یادگیری بدون نظارت بر اساس ساختارهای آماری زیربنایی به جای مدل های ادراک بیولوژیکی مبتنی بر داده ها هستند.

• آنها به طور فعال از اصول سازمان دهی روانشناختی ذاتی یا مکانیسم های کدگذاری شده در شناخت بصری انسان تقلید نمی کنند.

• مفاهیم کلیدی گشتالت سطح بالاتر در مورد تقسیم بندی شکل-زمین، چند ثبات، مختصر بودن و ظهور سادگی به صراحت به نمایش گذاشته نشده است.

به طور خلاصه، در حالی که بینایی کامپیوتری بدون نظارت می‌تواند قوانین خاصی را که با جنبه‌های نظریه گشتالت به‌عنوان مصنوع ساختار موجود در صحنه‌های بصری مطابقت دارند، کشف کند، رویکردها ذاتاً برای تکرار یا الهام گرفتن از اصول سازمان‌دهی ادراکی زیربنای بینش انسانی طراحی نشده‌اند. مکاتبات بیشتر اتفاقی است تا عمدی.

بنابراین یادگیری بدون نظارت در حال حاضر عمیقاً مفاهیم گشتالت واقعی را رمزگذاری نمی کند، اگرچه پیشرفت در زمینه هایی مانند یادگیری با انگیزه ذاتی و کنجکاوی ممکن است بینایی رایانه را به شهود ادراکی انسان نزدیک کند.

رویکرد استدلال بدون نظارت - استقراء یا قیاس چیست؟

سوأل

الگوریتم های یادگیری بدون نظارت اساساً بیشتر بر استدلال استقرایی متکی هستند تا استدلال قیاسی:

القاء:

• از مشاهدات و الگوهای موجود در داده ها تعمیم می دهد. یادگیری بدون نظارت مانند تکنیک‌های خوشه‌بندی و کاهش ابعاد، ساختار یک مجموعه داده را برای کشف دسته‌ها و نمایش داده‌های برجسته مشاهده می‌کند.

• فرضیه ها و نظریه ها را با انتزاع از شواهد ایجاد می کند. روش‌هایی مانند رمزگذارهای خودکار، رمزگذاری‌های انتزاعی فشرده داده‌ها را با تعمیم از ورودی‌های خام تشکیل می‌دهند.

• دانش احتمالی را از استنتاج بر شواهد به دست می آورد. الگوریتم‌ها مدل‌های آماری را با برازش توزیع‌های مشاهده‌شده در مجموعه داده از طریق بیشینه‌سازی احتمال و تخمین چگالی می‌سازند.

• با رویکرد داده اول از پایین به بالا هدایت می شود. تکنیک های بدون نظارت مستقیماً درست را خلاصه می کنند

پیوندهای خود مجموعه داده تجربی را به جای برازش هر مدل از قبل موجود.

کسر:

• منطق رسمی را برای رسیدن به نتایج دقیق به کار می گیرد. در مقابل، یادگیری بدون نظارت بیشتر بر تقریب ها و تداعی های آماری متکی است.

• شامل آزمون فرضیه محور از بالا به پایین است. اما الگوریتم های بدون نظارت هیچ فرضیه خاصی ندارند و صرفاً ساختار را بررسی می کنند.

• مقدمات را از طریق زنجیره های استنتاج دقیق تأیید می کند. اما استقراهای بدون نظارت از الگوهای داده بیشتر اکتشافی هستند تا منطقی-قیاسی دقیق.

بنابراین، در حالی که هم تفکر استقرایی و هم تفکر قیاسی به دست آوردن دانش جدید را امکان‌پذیر می‌سازد، یادگیری ماشین بدون نظارت بهتر با استقرا همسو می‌شود، زیرا تشخیص الگوی تعمیم‌دهنده را از مشاهدات پایین به بالا به جای استنتاج‌های منطقی رسمی از نظریه از پیش موجود استخراج می‌کند. داده ها در درجه اول قرار می گیرند.

من خوانده ام - اگر می توانید مشکل را تعریف کنید -> راه حل قابل تشخیص. آیا ما برای عقل سلیم (انسان، هوش مصنوعی) تعریف مشکل داریم؟

سوأل

نه، در حال حاضر هیچ تعریف رسمی و پذیرفته شده جهانی برای مشکل وجود ندارد که بتواند دامنه کامل توانایی‌های استدلالی «عقل سلیم» در سطح انسانی را که هوش مصنوعی باید هدف قرار دهد، نشان دهد. برخی از چالش های کلیدی در تعریف دقیق عقل سلیم به عنوان یک مشکل قابل تعریف هوش مصنوعی عبارتند از:

1. ماهیت پراکنده و شهودی - چشم انداز گسترده مفروضات، شهودها، فیزیک ساده لوحانه، و مفاهیم انتزاعی که عقل سلیم را تشکیل می دهند، به راحتی به کمی سازی یا مرزبندی دقیق نمی رسند. بیش از حد گسترده و بی شکل برای گرفتن ساده.

2. ذهنی و وابسته به فرهنگ - عقل سلیم بر اساس زبان، جغرافیا، زمینه های اجتماعی و تجربیات شخصی متفاوت است. ایجاد یک تعریف عینی از لنزهای ذهنی مختلف دشوار است.

3. فقدان اصول اساسی حقیقت - ویژگی هایی مانند عملی بودن، معمولی بودن، معقول بودن که زیربنای عقل سلیم هستند، در بسیاری از موقعیت ها پاسخ درستی ندارند. بدون خروجی های مورد انتظار واضح، فرمول بندی مسائل به خوبی تعریف شده دشوار است.

4. استدلال چند وجهی - عقل سلیم حالت های مختلف مانند منطق، تخیل، شهود، احساسات را به طور متفاوت بر اساس زمینه متعادل می کند. گرفتن این استدلال منعطف از نظر ریاضی دشوار است.

5. مسیر رشد - عقل سلیم از شناخت نوزاد به قابلیت تعمیم بزرگسالان در طول دهه ها تجربه پایه تکامل می یابد. مدل‌سازی این قوس رشدی طولانی چالش‌های جدول زمانی را ایجاد می‌کند.

در حالی که مؤلفه‌هایی مانند شهودهای فیزیکی، روان‌شناسی ساده‌لوح دارای فرمول‌بندی‌های مسئله‌ای خاص حوزه است، به طور کلی جوهر کلی استدلال عقل سلیم را از نظر ریاضی در بر می‌گیرد، یک سؤال تحقیقاتی باز است. احتمالاً خود تعریف مسئله «عقل سلیم» را می طلبد. بدون شرایط مرزی رسمی، آموزش جامع عقل سلیم از بالا به پایین غیرممکن به نظر می رسد. یک رویکرد توسعه‌ای و تجربی مبتنی بر انباشت دانش پایه‌ای در طول زمان، مسیر امیدوارکننده‌ای را فراهم می‌کند، هرچند در درک محدود کنونی ما از فضا، فی نفسه یک «مشکل» قابل اندازه‌گیری نیست.

خلاصه ای از بحث ما در اینجا آمده است:

ما مفهوم استدلال عقل سلیم و اینکه آیا هوش مصنوعی توانایی تکرار درک شهودی را که انسان ها از تجربیات زیسته به دست می آورند را بررسی کردیم. توضیح دادم که هوش مصنوعی فعلی به دلیل چالش‌هایی مانند دانش ذهنی پراکنده، فقدان تعاریف رسمی مشکل و ناتوانی در تطابق با یادگیری توسعه‌ای دنیای واقعی، همچنان فاقد حس مشترک عمومی قوی در حد ظرفیت‌های انسانی است.

ما بحث کردیم که آیا یک "الگوریتم حس مشترک" منفرد در ذهن انسان وجود دارد یا خیر، که من با برجسته کردن ماهیت چند بعدی و تطبیقی عقل سلیم که به قواعد محاسباتی تقلیل نمی‌یابد مخالفت کردم. من ناشناخته های متعددی را در مورد انباشت ضمنی دانش، نقش تجسم و پویایی استدلال بیان کردم که تسخیر ماهیت عقل سلیم انسانی در هوش مصنوعی را بسیار دشوار می کند.

ما در مورد اینکه آیا رویکردهای یادگیری بدون نظارت مدرن می‌توانند مؤلفه‌های عقل سلیم را از طریق کشف روابط آماری در داده‌های مشابه با اصول گشتالت نشان دهند، صحبت کردیم. در حالی که برخی شباهت‌ها وجود دارد، من تأکید کردم که این الگوهای تصادفی‌تر را نشان می‌دهد تا مدل‌های عمیق‌تر اصول سازمان‌دهی روان‌شناختی ذاتی که بر ادراک انسان استوار است.

در نهایت، ما در نظر گرفتیم که آیا داشتن بیانیه های مشکل به خوبی تعریف شده برای توسعه راه حل ها ضروری است یا خیر. من ادعا کردم که ابهام ذاتی و تغییرپذیری عقل سلیم باعث می‌شود که فرمول‌بندی مسئله ریاضی در حال حاضر بسیار چالش برانگیز باشد. به جای یک مهارت قابل آموزش از بالا به پایین، ما احتمالاً به سیستم‌های هوش مصنوعی نیاز داریم تا دانشی را از طریق یادگیری مبتنی بر تجربیات گسترده ایجاد کنیم - بیشتر شبیه به مسیر رشد انسان.

به طور خلاصه، در حالی که هوش مصنوعی به دستیابی به مهارت های فوق بشری در قابلیت های محدود ادامه می دهد، تکرار قابلیت تعمیم پذیری، سازگاری و استدلال بی پایان سیال که مشخصه عقل سلیم انسان است، همچنان یک چالش بزرگ و فاقد راه حل ساده است