آیا هوش مصنوعی هیچگاه هوشیار خواهد شد؟
دکتر اشکان فرهادی
چکیده
تقریباً هفتاد سال پیش، آلن تورینگ، پدر علم کامپیوتر پیش‌بینی کرد که ظرف نیم قرن، رایانه‌ها به توانایی پردازشی‌ایی دست خواهند یافت که بتوانند هر پرسشگری را به گونه‌ای فریب دهند تا متقاعد شود که با یک فرد دیگر در حال گفتگو هستند. هر چند پیش‌بینی او دیرتر از آنچه انتظار می‌رفت محقق شد، اما پیش‌بینی دیگر او این بود که ماشین‌ها هیچگاه نخواهند توانست موضوع افکار خودشان باشند، به عبارت دیگر، هرگز به آگاهی دست نخواهند یافت. با این همه، پیشرفت‌های اخیر در زمینه هوش مصنوعی (AI) دوباره مبحث هوشیاری را زنده کرده و افراد را به گفتگو پیرامون خطرات بالقوه ناشی از هوشیاری هوش مصنوعی دعوت میکند. در ژرفای این جستار، این سؤال اساسی پیش می آید که آیا رایانه‌ها می‌توانند با به دست آوردن آگاهی به توانایی عاملیت دست پیدا کنند و در صورت تحقق این امر، پیامدهای آن چیست.
پاسخ به این پرسش که آیا در زمان حاضر می‌توان هوش مصنوعی (AI) را آگاه در نظر گرفت، تا حد زیادی به چارچوب تعریف ما از آگاهی و هوشیاری بستگی دارد. به عنوان مثال، نظریه ادغام اطلاعات (IIT) هوشیاری را معادل با قدرت پردازش اطلاعات می‌داند، در حالی که نظریه تفکر مرتبه بالاتر (HOT) عناصر خودآگاهی و نیت را در تعریف خود از آگاهی و هوشیاری می‌گنجاند.
این مقاله به بررسی و مقایسه نقادانه نظریه‌های برجسته هوشیاری می‌پردازد و به‌طور خاص به تعریف مفاهیمی چون آگاهی، توجه و هوشیاری مبادرت می‌ورزد. این مقاله با ترسیم تمایز بین هوش مصنوعی و هوش طبیعی، بررسی میکند که آیا پیشرفت‌های فناوری نوین در هوش مصنوعی مانند یادگیری ماشین و شبکه‌های عصبی می‌توانند امکان دستیابی AI به نوعی از هوشیاری یا توسعه عاملیت را فراهم کنند.
کلیدواژه‌ها: هوش مصنوعی، هوش طبیعی، هوشیاری، آگاهی، وقوف، توجه، تصمیم‌گیری، اراده آزاد، خودآگاهی
دیدگاه‌های کنونی درباره هوشیاری
بر اساس تعریف، هوش (چه از نوع طبیعی و چه از نوع مصنوعی) به معنای توانایی پردازش اطلاعات، اولویت‌بندی داده‌ها و اتخاذ تصمیم‌های سازگاربا داده‌ها و منطق است. درک بهتر عملکردهای ذهنی، زمینه ساز بینشی عمیق درباره قابلیت‌های شناختی انسان بوده و همچنین می‌تواند کاربردهای بالقوه‌ای برای توسعه هوش مصنوعی فراهم آورد. از طرفی دیگر، با وجود مطالعات گسترده، هوشیاری همچنان یکی از جذاب‌ترین و چالش‌برانگیزترین موضوعات در علوم شناختی و فلسفه باقی مانده است. نظریه‌های بسیاری برای توضیح این مفهوم اسرارآمیز پدید آمده‌اند و در این مقاله، مهم‌ترین نظریه‌های هوشیاری مورد بحث و مقایسه قرار می‌گیرند تا درکی جامع از این پدیده و ارتباط آن با هوش مصنوعی ارائه گردد.
مقایسه نظریه‌های مختلف هوشیاری
همان‌طور که در جدول ۱ خلاصه شده است، نظریه روانکاوی شخصیت که توسط فروید (1924) ارائه شده است، یکی از نخستین تلاش‌ها برای توضیح هوشیاری است. این نظریه با تقسیم ذهن به حوزه‌های خودآگاه و ناخودآگاه، سعی بر ارائه توضیح جامعی از رفتار انسان داشته است. با این حال، این چارچوب فکری فاقد جنبه‌های کاربردی و یا ارائه مکانیسمی برای توضیح وضعیت هوشیاری است.
یکی از نخستین نظریه‌های جامع درباره هوشیاری، نظریه فضای کاری گسترده (GWT) است که توسط بارس (1988) معرفی شده است. این نظریه، با الهام از نظریه روانکاوی فروید، تلاش کرده تا همزیستی فرآیندهای خودآگاه و ناخودآگاه در ذهن انسان را توضیح دهد. این نظریه ذهن را بسان یک صحنه نمایش به تصویر می‌کشد که با نورافکن توجه فضای کاری روشن می‌شود و تنها، اطلاعات موجود در این "فضا پردازش می‌شوند و به سطح آگاهی و یا وقوف می‌رسند و باقی اطلاعات در حالت ناخودآگاه باقی می‌مانند. متاسفانه، این نظریه توضیح دقیقی از مکانیسم انتقال اطلاعات بین حالت‌های خودآگاه و ناخودآگاه ارائه نمی‌دهد و مشخص نمیسازد چگونه گروهی از اطلاعات به عرصه خودآگاه رسیده و گروهی دیگر در تاریکی ناخودآگاه می‌مانند.
با گذشت زمان و تکامل نظریه‌های هوشیاری، همان‌گونه که در GWT پیشنهاد شده بود، تمرکز پژوهشگران از پردازش اطلاعات در یک قسمت خاص از ذهن، معطوف به گسترش پردازش داده‌ها در سایر سیستم‌های ذهنی شد. بطور مثال، نظریه فضای کاری گسترده عصبی (Neuronal GWT) (دوهان، 1998) و نظریه پردازش بازگشتی (RPT) نمونه‌هایی از این پیشرفت‌ها هستند که دامنه پردازش اطلاعات را در ذهن وسعت بخشیده‌اند.
در ادامه پیشرفت در نظریه‌هایی هوشیاری، نظریه های تفکر مرتبه بالاتر (HOT) و نظریه طرح واره توجه (Attention Schema Theory)، مفاهیم محوری نظیر نقش عاملیت و توجه را در ایجاد آگاهی و خودآگاهی معرفی می‌کنند.
یکی از پیشروترین دیدگاه‌های هوشیاری، نظریه ادغام اطلاعات (IIT) توسط تونونی، (2016) است که بیان میکند هوشیاری یک موجود نتیجه پردازش اطلاعات و صرف‌نظر از ماهیت آن موجود می باشد.
یکی از جدیدترین نظریه‌های هوشیاری، نظریه سه‌گانه هوشیاری (TTC) فرهادی، (2023) است که بر مبنای دو نظریهIIT و GWT استوار است. این نظریه مطرح میکند که پردازش اطلاعات در ذهن زیرمایه آگاهی و هوشیاری است، اما بر اساس پیشنهاد آن، نه پردازش هر اطلاعاتی منجر به آگاهی و هوشیاری شده، بلکه تنها پردازش اطلاعات توسط دو عملکرد ذهنی متمایز یعنی انتخاب گزینه مبتنی بر آگاهی (ABCS) و گزینش درون پردازه‌ها برای آگاهی (DSIA) منجر به ظهور هوشیاری می‌شود (تصویر ۱).
بررسی این نظریه‌ها و تمایز نقطه نظرهای کلیدی آنها به درک بهتر تفاوت بین هوش مصنوعی (AI) و هوش طبیعی (NI) کمک شایانی میکند. با این بررسی می‌توان خطوط مشخصی بین توانایی‌های هوش طبیعی و مصنوعی ترسیم کرده و در زمینه‌های مهم نظیر آگاهی، خودآگاهی، عاملیت و خودمختاری تصویر واضحی از این دو را در ذهن ترسیم کرد.
آیا می‌توان هوش مصنوعی را هوشیار دانست؟
تعجب‌آورنیست که تعریف فراگیر هوشیاری که توسط نظریه ادغام اطلاعات (IIT) وهمچنین سایر نظریه های هوشیاری که عمدتاً برای مدل سازی هوش طبیعی (NI) ارائه شده و توسعه یافته اند، آنچنان همه شمول هستند که به سادگی می‌توان تعریف هوشیاری آنها را به هوش مصنوعی (AI) نسبت داد. اما، به راحتی می‌توان مشاهده کرد که هر چند که نظریه سه‌گانه هوشیاری (TTC) نیز تأکید بر پردازش اطلاعات برای آگاهی دارد و بر پایه‌های نظریه‌های IIT و GWT بنا شده است، چگونه تصویری مجزا از ان نظریه‌ها در این مورد ارائه می‌دارد. چرا که بر طبق نظریه TTC ، تنها پردازش اطلاعات توسط دو عملکرد ذهنی مشخص، یعنی انتخاب گزینه مبتنی بر آگاهی (ABCS) و گزینش درون‌پردازه‌ها برای آگاهی(DSIA) است که منجر به ظهور هوشیاری می‌گودد. لذا، از آنجایی که این دو عملکرد ویژه هوش طبیعی هستند، TTC ، آگاهی را یک ویژگی منحصر به فرد هوش طبیعی می‌داند.
از منظر دیگر و با نگاهی مادی‌گرایانه نسبت به هوشیاری و آگاهی، درمی یابیم که این پدیده‌ها، همگی یک خاصیت برخاسته از مغز، نورون‌ها و شبکه‌های آن است. بر این اساس تمام عملکردهای ذهنی، از جمله آگاهی و یا وقوف، می‌توانند در نهایت در سیستم‌های AI بازسازی شوند و علت عدم وجود آگاهی و هوشیاری در کامپیوترهای موجود تنها در نتیجه کاستی ناشی از محدودیت قدرت پردازش و الگوریتمهای پیشرفته است و بزودی با پیشرفت این دو رکن، پدیده آگاهی بخودی خود در هوش مصنوعی متبلور خواهد شد. با این حال، با توجه به چالش‌های مداوم در پرداختن به مسئله سخت آگاهی که توسط چالمرز مطرح شده است، نویسنده، پیشرفت در قدرت پردازش و الگوریتمهای پیشرفته را، بدون توجه و حل مسئله سخت آگاهی، پاسخ گوی حل مشکل هوشیاری هوش مصنوعی نمی‌داند و ظهور آن را در آینده نزدیک محتمل نمی‌بیند.
تمایز بین هوشیاری و آگاهی
هوشیاری اغلب به‌عنوان یک وضعیت ذهنی از محیط و خود در نظر گرفته می‌شود، در حالی که آگاهی و وقوف بیشتر به یک تجربه ذهنی اطلاق می‌شود که از فرآیندهای عینیِ مغز سرچشمه می‌گیرد. اگرچه آگاهی شرط لازم برای هوشیاری است، اما به‌تنهایی برای تحقق آن کافی نیست. در میان نظریه‌های بررسی‌شده در جدول ۱ به‌جز نظریه سه‌گانه هوشیاری (TTC) ، تمامی نظریه‌ها، آگاهی و هوشیاری را مترادف یکدیگردر نظر می‌گیرند.
با این حال، برخی از نظریه‌ها به طور ضمنی بین این دو، تمایز قائل می‌شوند. برای مثال، نظریه ذهن هیجانی برانگیخته (Galus, 2020) بیان می‌دارد که جریان هوشیاری شامل دو مؤلفه است: "هوشیاری اجرایی" و "هوشیاری گزارشی" که به ترتیب با قدرت تصمیم گیری و آگاهی در TTC مطابقت دارند.
طبق نظریه TTC، AI نه آگاه و نه هوشیار است، زیرا فاقد انتخاب گزینه مبتنی بر آگاهی (ABCS) یا اراده آزاد و گزینش درون‌پردازه‌ها برای آگاهی (DSIA) یا توجه اختیاری است، که برای ظهور هوشیاری ضروری‌اند. با این حال، مفاهیم مشابهی را می‌توان برای AI در نظر گرفت. برای مثال، در حالی که AI نمی‌تواند به آگاهی دست یابد، می‌تواند به حالت بیداری برسد. همچنین، هرچند AI نمی‌تواند آگاهی و وقوف داشته باشد، می‌تواند در اثر بیداری به آمادگی واکنشی برسد، که در بخش‌های بعدی مورد بحث قرار خواهند گرفت.
دوگانگی ذهن خودآگاه و ناخودآگاه
یکی از نقاط تمایز اصلی میان نظریه‌های مختلف هوشیاری، تقسیم ذهن به حوزه‌های خودآگاه و ناخودآگاه است. تقریباً تمام نظریه‌ها، به‌جز نظریه ادغام اطلاعات (IIT) و نظریه سه‌گانه هوشیاری (TTC)، بر این باورند که ذهن از دو بخش مجزا خودآگاه و ناخودآگاه تشکیل شده است.
این مدل‌های مکانیکی مانند نظریه فضای کاری گسترده (GWT)، نظریه فضای کاری گسترده عصبی (Neuronal GWT) و نظریه پردازش بازگشتی (RPT) ساختاری را ارائه می‌دهند که به طرز چشمگیری با عملکرد رایانه‌های مدرن همخوانی دارند. در این قیاس، هارد دیسک یک رایانه، نمادی از ذهن ناخودآگاه است، جایی که داده‌ها وجود دارند، اما فعالانه پردازش نمی‌شوند؛ در حالی که حافظه دسترسی تصادفی (RAM)، مشابه ذهن خودآگاه است، جایی که اطلاعات به‌طور فعال پردازش می‌شوند.
در مقابل، نظریه IIT این دوگانگی را حذف کرده و ذهن را به‌عنوان یک موجودیت یکپارچه در نظر می‌گیرد که یا خودآگاه و هوشیار است و یا ناخودآگاه و غیر هوشیار، ولی سطح هوشیاری آن با میزان پردازش داده‌ها تعیین می‌شود. از سوی دیگر، TTC ذهن را ذاتاً ناخودآگاه می‌داند. طبق این نظریه، هوشیاری تنها از طریق تعامل دو عملکرد ذهنی خاص انتخاب گزینه مبتنی بر آگاهی (ABCS) و گزینش درون‌پردازه برای آگاهی (DSIA) پدید می‌آید که در کنار هم موجودیتی به نام "من" را شکل می‌دهند. این چارچوب منحصربه‌فرد توضیح می‌دهد که چرا TTC هوشیاری را به‌طور انحصاری متعلق به هوش طبیعی (NI) است و هوش مصنوعی (AI) را از داشتن آن بی بهره می داند.
سطح هوشیاری
یکی از تفاوت‌های کلیدی میان نظریه‌های مختلف هوشیاری، مفهوم درجات یا سطوح هوشیاری است. برای مثال، بر اساس نظریه ادغام اطلاعات (IIT)، انسان نسبت به زنبور هوشیارتر است، زیرا که حجم بیشتری از اطلاعات را پردازش میکند. IIT به‌صراحت تاکید میکند که هوشیاری می‌تواند در یک طیف با سطوح مختلف وجود داشته باشد.
چندین نظریه دیگر نیز از مفهوم درجات یا سطوح هوشیاری حمایت می‌کنند. به‌عنوان مثال، جونکیز و همکاران (2017) ابعاد مختلفی از هوشیاری را پیشنهاد می‌دهند که بر خلاف IIT از طبقه‌بندی کیفی هوشیاری حمایت می‌کنند و معتقد به سطوح کمّی هوشیاری نیستند. در مقابل، بسیاری پژوهشگران این ایده را به چالش کشیده و استدلال می‌کنند که سطوح هوشیاری، کمّی بوده و تغییر تدریجی یا غیرمنسجم آن است که زیر بنای تغییرات کیفی است (بین، هووی و اوون، 2016؛ کارترز، 2019، برچ، شنل و کلیتون، 2020؛ مک‌کیلیام، 2020). همچنین لی (2022) پیشنهاد می‌دهد که نظریه‌های هوشیاری یا باید به تدریجی بودن هوشیاری اعتراف کنند و یا از مفاهیم ماورایی مانند روح، برای منشا هوشیاری یاری بجویند.
حال آنکه، TTC در مقابل IIT و دیگر نظریه‌های هوشیاری، دیدگاهی کاملاً متفاوت ارائه می‌دهد و استدلال میکند که هوشیاری یک پدیده همه یا هیچ است. این نظریه، چون هوشیاری را نتیجه پردازش اطلاعات توسط فعالیت ذهنی موسوم به "من" می‌داند، هوشیاری را محصول فرآیندهای آگاهی و تصمیم گیری دانسته و برای آن سطحی قابل‌اندازه‌گیری قائل نیست. این نظریه استدلال میکند که کاستی بسیاری از تئوری های هوشیاری در دو جا، موجب این باور نادرست که هوشیاری قابل اندازه گیری است، می شوند. نخست اینکه، این تئوری‌ها هوشیاری را با آگاهی مترادف دانسته و در قدم دوم محتوای آگاهی را به نادرستی درجه آگاهی می‌دانند. در حالی که پیچیدگی محتوای آگاهی، دلیلی بر درجه، میزان و اندازه این تجربه نیست. چرا که، چه موضوع آگاهی یک پدیده ساده باشد و یا یک مسئله پیچیده، مکانیسم زیربنای آگاه شدن از آن بدون تغییر بوده و یک فرآیند همه یا هیچ است. در این دیدگاه، فرد بیشتر یا کمتر آگاه نیست، بلکه افراد یا از موضوعی، بدون در نظر گرفتن میزان پیچیدگی آن موضوع، یا آگاه هستند و یا ناآگاه!
این تمایز، به‌ویژه با پیشرفت فناوری AI ،اهمیت شفاف‌سازی تعریف و اندازه‌گیری هوشیاری را برجسته میکند. در حالی که برخی نظریه‌ها بیداری AI را به آگاهی و هوشیاری تعبیر می‌کنند، TTC به‌طور قاطع هوشیاری را ویژگی‌ای منحصربه فرد برای هوش طبیعی NI دانسته و مرزهای فلسفی و کارکردی بین AI و NI را حفظ میکند.
توجه: جنبه فراموش شده هوشیاری
توجه، یکی از عناصر حیاتی و در عین حال پایه ایی فراموش شده در مبحث هوشیاری است. توجه، در واقع، فرآیند انتخاب اطلاعات برای آگاهی است. تنها به وسیله توجه، جزئی از اطلاعات از بین دریایی از اطلاعات و درون‌پردازه‌ها برای آگاه شدن انتخاب می‌گردد (جدول ۲).
بیشتر نظریه‌های هوشیاری یا به‌طور کلی از مبحث توجه دوری جسته و یا فرض کرده‌اند که این فرآیند به‌صورت خودکار اتفاق می‌افتد. با این حال، اگر آگاهی و وقوف پایه‌ای برای هوشیاری باشد، آنگاه توجه به‌عنوان سنگ بنای آن عمل میکند.
جان لاک یکی از نخستین تعاریف از توجه را ارائه داده است و آن را به‌عنوان یک "شیوه تفکر" توصیف کرده است (مول، 2009). همان‌طور که در جدول ۲ خلاصه شده است، نظریه گلوگاه برودبنت (1971) یکی از اولین مدل‌های توجه را ارائه می دهد که در آن اطلاعات قبل از پردازش در ذهن فیلتر می‌شوند. این مکانیسم نشان می‌دهد که چرا برخی از اطلاعات هرگز به آگاهی و وقوف نمی‌رسند و یا در طول فرآیند پردازش حذف می‌شوند (دویچ و دویچ، 1963؛ نورمن، 1968؛ پرینز، 2012).
بیشتر محققان بر این باورند که غربال شدن داده‌ها، در مراحل مختلف پردازش اطلاعات اتفاق می‌افتد (آلپورت، 1993؛ جانستون و مک‌کان، 2006؛ اوکانر و همکاران، 2002).
سایر نظریه‌های توجه، این پدیده را به شیوه‌های مختلف ترسیم کرده‌اند. عده‌ای توجه را به‌عنوان مکانیسمی برای پردازش اطلاعات (تریسمان، ج 1999) و عده ای دیگر آن را عامل محدودکننده در تعامل میان ذهن و بدن (هیرست و همکاران، 1980) دانسته اند. برخی آن را عاملی در بهبود کارآمدی شناختی، دقت و قوه پیش‌بینی ذهن دانسته (کلارک، 2013؛ هووی، 2013)، و در نهایت نظریه نورافکن، توجه را رکن نظریه فضای کاری گسترده (GWT) قرار داده است. همه این نظریه‌ها توجه را به‌عنوان یک فرآیند خودکار و مبتنی بر الگوریتم توصیف می‌کنند که کاربرد عملی هوش طبیعی (NI) و هوش مصنوعی (AI) را در کارایی پردازش اطلاعات بهبود می‌بخشد.
در این میان، نظریه رقابت و وحدت در توجه اولین نظریه‌ای بود که مفهوم سوگیری بالا به پایین را در انتخاب توجه معرفی کرد و این پدیده را نیازمند حضور نوعی از عاملیت دانست (دسیمون و دانکن، 1995؛ رینولدز و دسیمون، 2000).
نظریه سه‌گانه هوشیاری (TTC)، نخستین نظریه هوشیاری است که توضیح دقیقی از توجه را ارائه می‌دهد و آن را به دو نوع اصلی تقسیم میکند: توجه اختیاری که در واقع گزینش درون‌پردازه برای آگاهی (DSIA) است و یک فعالیت ذهنی است که منحصر به هوش طبیعی (NI) است و توجه الگوریتمی—یعنی انتخاب درون‌پردازه‌ها برای بیداری بر اساس الگوریتم (SIBA)— که نوعی از توجه است که در هر دو نوع هوش یعنی NI و یا AI وجود دارد و در هر دو کارایی پردازش داده‌ها را افزایش می دهد (فرهادی، 2024).
نقش عاملیت در هوشیاری
نقش عاملیت نکته مهمی است که در اغلب نظریه‌های هوشیاری نادیده گرفته شده است. در حالی که نظریه مرتبه بالاتر و نظریه طرح واره توجه، به‌طور ضمنی فرض می‌کنند که عاملیت پیش‌نیازی برای هوشیاری است، نظریه سه‌گانه هوشیاری (TTC) این نقش را به‌وضوح شناسایی کرده و بر اهمیت حیاتی آن تأکید دارد.
طبق TTC، عاملیت نه تنها برای اتخاذ تصمیم‌های خودمختار ضروری است، بلکه نقش آن در گزینش اطلاعات جهت آگاهی الزامی است. شناسایی عاملیت به‌عنوان یک عنصر اصلی در هوشیاری، TTC را از سایر مدل‌ها متمایز میکند. این نظریه عاملیت را به‌عنوان بازیگر اصلی در تعامل پویای بین تصمیم گیری و آگاهی ودر نهایت رسیدن به هوشیاری دانسته و چارچوب منحصربه‌فردی را برای درک بیشتر تعامل میان آگاهی و تصمیم‌گیری و نقش آنها در ظهور هوشیاری و خود آگاهی ارائه می دهد .
نقش عاملیت تفاوت بنیادی میان هوش مصنوعی (AI) و هوش طبیعی (NI) است به این گونه که در حالی که AI می‌تواند فرآیندهای تصمیم‌گیری را شبیه‌سازی کند و وظایف پیچیده‌ای را به‌طور مؤثر انجام دهد، این کار را بدون داشتن عاملیت واقعی یا هوشیاری انجام می‌دهد.
درک نقش عاملیت در هوش طبیعی، همان‌طور که در TTC تعریف شده است، مرز روشنی را برای ارزیابی پتانسیل‌ها و محدودیت‌های هوش مصنوعی از هوش طبیعی در بهره‌گیری از توانایی‌های خود برای انجام مؤثر وظایف در چارچوب‌های از پیش تعیین‌شده ایجاد میکند.
نقش متقابل هوشیاری و خودآگاهی
خودآگاهی یکی از جنبه‌های مهم هوشیاری و یک ویژگی متمایز هوش طبیعی (NI) است. اهمیت حس خودآگاهی برای اولین بار توسط آلن تورینگ عنوان شد. آین زمانی بود که او استدلال کرد که یک رایانه هرگز نخواهد توانست موضوع تفکر خود باشد، زیرا فاقد خودآگاهی یا هویت فردی است.
پیش از رنسانس دکارتی، "من" اغلب به‌عنوان یک مفهوم ماورایی یا مذهبی مرتبط با روح یا روان در نظر گرفته می‌شد. به‌عنوان مثال، برکلی معتقد بود که روح به‌عنوان یک ناظر ثابت بر فرد عمل میکند (دونینگ، 2020). اما پس از رنسانس دکارتی، واژه روح جای خود را به واژه ذهن داده و در دیدگاه، "من" به‌عنوان یک موجودیت هم‌ارز با ذهن بازتعریف شد. هر چند که هنوز "من" را مانند یک ناظر بر فرد در درون تئاتر دکارتی در نظر گرفتند (دنت و کینزبورن، 1992). دکارت با بیان جمله معروف من می‌اندیشم، پس هستم (Cogito, Ergo Sum) به این موضوع پرداخت.
دیدگاه دکارتی در سال ۱۹۴۵ توسط برتراند راسل به چالش کشیده شد. چرا که او اعلام داشت که حس خودآگاهی از عمل اندیشیدن جدا است. راسل معتقد است که: من می‌اندیشم، برابر من هستم نیست بلکه معادل این امر است که اندیشیدن وجود دارد، او تأکید دارد که داشتن افکار نیازمند آگاهی است و آگاهی زمینه ساز خودآگاهی است (شوماکر، 1986).
بر پایه دیدگاه دکارتی، جان لاک ایده «من» را به‌عنوان تداوم حافظه آگاهانه مطرح کرده که هویت فرد را در طول زمان شکل می‌دهد. دیوید هیوم این دیدگاه را گسترش داده و پیشنهاد کرده است که «من» صرفاً مجموعه‌ای از ادراکات حسی از بدن است. ویلیام جیمز استدلال کرده است که درک از خود هسته اصلی جریان هوشیاری را شکل می‌دهد و حاصل افکار درونی ماست. در دوره معاصر، آنتونیو داماسیو دو نوع از " خود" را معرفی می کند: خود لحظه‌ای (protoself) که بازتاب خودآگاهی هر فرد در هر لحظه است و خود زندگینامه‌ای (autobiographical self) که با خاطرات مربوط به خود در ارتباط است (آراوجو و همکاران، 2015).
نظریه‌های اخیر هوشیاری اغلب خودآگاهی را به‌عنوان یک پیش‌فرض پذیرفته‌اند. به عنوان مثال، IIT با این چالش مواجه است که توضیح دهد آیا پردازش اطلاعات به‌تنهایی می‌تواند حس خود و خودآگاهی را ایجاد کند یا خیر. در واقع، IIT با دیدگاه دکارتی همسو است و معتقد است هر موجود اندیشمندی به‌طور ذاتی به حس خود دست می‌یابد.
با این حال، نظریه سه‌گانه هوشیاری (TTC) دیدگاه دقیق‌تری از خود را ارائه می‌دهد و پیشنهاد میکند که پردازش اطلاعات توسط دو فعالیت ذهنی ABCS و DSIA می‌تواند منجر به ظهور همزمان هوشیاری و حس خود شود. از این منظر، گزاره دکارتی را می‌توان به این صورت اصلاح کرد که : "من از اندیشیدن خود آگاهم، پس من وجود دارم."
بر طبق TTC، تعامل عملکردهای ABCS و DSIA نه‌تنها هوشیاری را ممکن می‌سازد بلکه ترکیب آگاهی با درک قدرت تصمیم گیری منجر به حس وجودی از خود می‌گردد. این تفسیر با مفهوم خود لحظه‌ای داماسیو هم‌راستا است، که به وضوح خارج از دسترس هوش مصنوعی (AI) قرار دارد. همچنین، آگاهی از خاطرات موجود در خاطرات، مترادف خود زندگینامه‌ای داماسیو است. اگرچه هوش مصنوعی می‌تواند خاطرات زندگینامه‌ای از خود را بیان دارد، اما از وجود آنها آگاهی ندارد.
لازم به ذکر است که هر چند که ارائه اطلاعات درباره خود می‌تواند، موجب گمراهی ناظران گردد و ناظران نتوانند تمیز دهند که آیا وجود این اطلاعات همراه با آگاهی از آنها است و یا خیر! این امر موضوع چالش مهمی در مبحث هوش مصنوعی می باشد، که در زیر به آن اشاره شده است.
چگونه می‌توان فهمید که هوش مصنوعی هوشیار است یا هوشیار به نظر می‌رسد؟
شکی نیست که سیستم‌های فعلی هوش مصنوعی (AI) قادر به انجام فرآیندهای متعددی از جمله ذخیره و دسترسی به داده‌ها، تحلیل اطلاعات، یادگیری، تحلیل ورودی‌ها مختلف، و انجام وظایف بر اساس الگوریتم تعیین شده می‌باشند و در نسلهای جدید رایانه، هوش مصنوعی حتی قادر به بهبود و نوآوری در الگوریتم خود می باشد. این توانایی‌ها اغلب شبیه به عملکردهای ذهنی انسان بوده و مشابه فعالیت‌های ذهنی نظیر حفظ و به یاد آوردن خاطرات، استدلال، یادگیری و تجربه، درک محیط و واکنش های مناسب به محرک‌ها است و اغلب این فعالیت‌ها را با کارآمدی بیش از انسان انجام می دهد.
ایده عدم آگاهی ماشین‌ها از اعمال خود به‌ویژه در پارادایم اتاق چینی جان سرل عنوان شده است.او این گونه استدلال می کند که یک ماشین می‌تواند به‌طور کامل جملات انگلیسی را به چینی ترجمه کند (سرل، 1980)، اما ماشین درکی از زبان چینی ندارد. با این حال، اثبات این پارادایم در پس زمینه پیشرفت‌های مدرن در زمینه سیستم‌های AI امروزی، در جایی که هوش مصنوعی به‌راحتی از پیش‌بینی‌های تورینگ درباره آنها عبور کرده، تقريبا غیر ممکن است.
این موضوع سوالی اساسی را مطرح میکند: چگونه یک مشاهده‌گر می‌تواند به‌صورت قطعی تشخیص دهد که آیا یک ماشین در پارادایم سرلواقعاً زبان چینی را "می‌فهمد" یا صرفاً در حال تولید پاسخ‌های از پیش تعیین‌شده است؟ به عبارت دیگر، چگونه می‌توان تجربه آگاهی یک فرد را جدای از پاسخ‌های کلامی و رفتاری او ارزیابی کرده و یا وجود آگاهی را در فرد دیگری اثبات کنیم؟
این پرسش، امکان نگران‌کننده‌ای را مطرح میکند: در حالی که رایانه‌ها ممکن است هرگز به هوشیاری واقعی دست نیابند، اما یک AI می‌تواند به شکلی قانع‌کننده آگاهی را شبیه‌سازی کند و با وانمود کردن خودآگاهی دیگران را فریب دهد. ناتوانی انسان در اثبات یا رد قطعی وجود آگاهی و خودآگاهی فرد دیگری از طریق امری فراتر از تعاملات کلامی و رفتاری، زمینه مناسبی برای ظهور هوش مصنوعی فراهم کرده است به گونه ای که در نقش‌های اجتماعی پیچیده، به‌عنوان "متظاهر به راحتی و بدون شناسایی عمل کند.
همچنین، این مسئله یک سوال فلسفی عمیق‌تر را مطرح میکند: «آیا خودآگاهی یا هوشیاری واقعاً اهمیت دارد؟» اگر یک موجود بتواند وظایف خود را به‌طور مؤثر و بدون مشکل انجام دهد، چه اهمیتی دارد که این موجود آگاه است و یا تظاهر به آگاهی دارد. این ملاحظات درک ما از نقش پیچیده و در حال تحول هوش مصنوعی در جامعه را به چالش می‌کشد و تأمل انتقادی را همزمان با پیشرفت فناوری رایانه‌ها الزامی میکند.
آیا هوش مصنوعی برای تهدید نسل بشر نیاز به خودمختاری دارد؟
پیش از ارزیابی خطرات مرتبط با هوش مصنوعی (AI)، بررسی انواع و قابلیت‌های موجود از AI ضروری است. به‌طور کلی، AI را می‌توان به سه نوع اصلی تقسیم کرد:
هوش مصنوعی محدود (هوش مصنوعی ضعیف): این نوع از AI در حال حاضر از نظر کارایی، سرعت و دقت در برخی عملکردهای ذهنی از انسان پیشی گرفته است. این سیستم‌ها برای انجام وظایف خاص با دقت بالا طراحی شده‌اند، مانند تشخیص صدا یا چهره، پیش‌بینی وضعیت آب‌وهوا یا ترجمه زبان. اگرچه فعالیت این نوع از AI از نظر دامنه محدود است، اما قابلیت‌های آن همچنان در حال دگرگونی صنایع و زندگی روزمره انسانها است.
هوش مصنوعی عمومی AGI (هوش مصنوعی قوی): این نوع از AI نمایانگر سیستم‌هایی هستند که توانایی درک، یادگیری و به‌کارگیری هوش در طیف گسترده‌ای از وظایف را دارند. برخلاف هوش مصنوعی محدود، AGI قادر است دانش را تعمیم دهد، خود را با شرایط جدید سازگار کند و فعالیت‌های فکری گوناگون را مشابه انسان انجام دهد. کاربردهای AGI شامل رانندگی کاملا خودکار ، موتورهای جستجوی پیشرفته مانند ChatGPT، و نوآوری‌های پزشکی و مهندسی است. اگرچه این نوع از هوش مصنوعی در حال حاضر در مراحل توسعه است، AGI به نقطه تمرکز اصلی در پیشرفت‌های علمی و بحث‌های اجتماعی تبدیل شده است.
هوش مصنوعی فوق‌العاده ASI (هوش فوق‌العاده): این نوع از AI به‌صورت نظری فراتر از هوش انسانی در تمامی حوزه‌ها از جمله خلاقیت، تصمیم‌گیری و حتی هوش هیجانی خواهد بود. تصور می‌شود که این ماشین‌ها بتوانند به‌صورت مستقل یاد بگیرند و خود را در سطوحی فراتر از درک انسان و بدون نیاز به مداخله انسانی بهبود بخشند. اگرچه ASI هنوز به مرحله عملیاتی نرسیده است، اما رقابت های بین‌المللی برای ارتقای قابلیت‌های AI وتوسعه آن و یا حتی احتمال پنهان‌کاری در این زمینه به دلایل امنیت ملی را تشدید کرده است. جای تعجب نیست که تهدید بالقوه نابودی بشرتوسط ASI بسیار جدی گرفته می‌شود.
برخی استدلال می‌کنند که از آنجا که ASI هنوز به دست نیامده است، در حال حاضر، تهدیدی جدی برای نسل بشر نیست. افرادی با استناد به نظریه‌های هوشیاری، اطمینان می‌دهند که از آن جایی که AI نمی‌تواند به هوشیاری کامل یا خودمختاری دست یابد، پیشرفت آن خطری جدی برای بشریت نخواهد داشت. با این حال، حتی AGIهای موجود که برای انجام وظایف خاص طراحی شده‌اند، اگر در دست افرادی با اندیشه سلطه جویی جهانی قرار گیرند، می‌توانند خطرات جدی برای بشریت و یا گروه زیادی از انسانها ایجاد کنند.
با توجه به این خطرات، ممکن است ایجاد یک چارچوب نظارتی جهانی مشابه با آژانس بین‌المللی انرژی اتمی (IAEA) که بر استفاده از فناوری هسته‌ای نظارت دارد، به‌شدت ضروری باشد. در این راستا بنیان این نهاد جهانی، برای تنظیم، توسعه و استقرار فناوری‌های AI در سطح وسیع جهت تضمین صلح و امنیت بین‌المللی الزامی است.
خلاصه‌ای از تفاوت‌های بین هوش طبیعی و هوش مصنوعی
با پیشرفت چشمگیر علوم رایانه‌ای در دهه‌های اخیر، درک تفاوت‌های بین هوش طبیعی (NI) و هوش مصنوعی (AI) از اهمیت فزاینده‌ای برخوردار شده است. این تمایز به‌ویژه در مباحث جاری پیرامون توانایی‌های AI در اندیشیدن، دستیابی به هوشیاری یا رسیدن به خودآگاهی اهمیت ویژه‌ای دارد.
همان‌طور که پیش‌تر بحث شد، نظریه‌هایی مانند نظریه ادغام اطلاعات (IIT) پیشنهاد می‌کنند که AI می‌تواند به‌صورت نظری در سطحی بسیار پایین‌تر از انسان، هوشیاردر نظر گرفته شود. سایر نظریه‌های هوشیاری، مانند نظریه فضای کاری گسترده (GWT)، نظریه پردازش بازگشتی (RPT) و نظریه فضای کاری گسترده عصبی (Neuronal GWT) نیز با IIT همسو هستند و به AI نوعی محدود از هوشیاری را نسبت می‌دهند.
علاوه بر این، سیستم‌های جدید نورو-مورفیک AI که در نتیجه یک معماری از ترکیب زیربنای تراشه الکترونیکی و روبنای سلولهای عصبی تشکیل شده‌اند (وانگ، 2021)، ممکن است بسیاری از محدودیت‌های AI های موجود را دور بزنند. این سیستم‌ها می‌توانند به‌طور بالقوه یک الگوی توجه ایجاد کنند یا AI را به‌عنوان یک سوژه در تجربه‌های خود معرفی کنند و معیارهای نظریه‌های مرتبه بالاتر و طرح واره توجه را برآورده سازند.
در حال حاضر، نظریه سه‌گانه هوشیاری (TTC) تفاوت مشخص بین هوش طبیعی و هوش مصنوعی ارائه می‌دهد، به این صورت که هوش طبیعی به‌دلیل وجود قوه ذهنی موسوم به "من" که ترکیبی از فعالیت ذهنی DSIA و ABCS می‌باشد، به‌عنوان یک موجود هوشیار در نظر گرفته می‌شود (تصویر ۱). در غیاب "من"، ذهن به‌عنوان یک موجود ناآگاه باقی می‌ماند که با عملکرد AI شباهت دارد.
شایان ذکر است که همه فرآیندهای آگاهی و تصمیم‌گیری در هوش طبیعی از طریق DSIA و ABCS انجام نمی‌شوند. هم هوش طبیعی و هم هوش مصنوعی به میزان قابل توجهی به فرآیندهای الگوریتمی مانند گزینش درون‌پرازه‌ها بر اساس الگوریتم برای بیداری (SIBA) و انتخاب گزینه بر اساس الگوریتم (SCBA) متکی هستند که به تصمیم‌گیری خودکار و ایجاد بیداری کمک می‌کنند (تصویر ۲).
در این چارچوب، آگاهی و وقوف نقش حیاتی در فرآیند تصمیم‌گیری از طریق ABCS ایفا میکند، در حالی که تصمیم گیری بخش مهم DSIA برای فرآیند آگاهی است. اما با این وجود، این تعامل یک چرخه معیوب و دور باطل را نمیسازد. چرا که این تعامل بازتابی نبوده و به‌صورت یک مارپیچ نامتقارن و غیر بازتابی عمل میکند و شکل منحصربه‌فردی از یک تعامل پیش‌رونده را سامان می‌دهد.
به‌طور مشابه، در ذهن ناخودآگاه و هوش مصنوعی، فرآیندهای هوشیاری با بیداری جایگزین شده و این پدیده با تصمیم‌گیری الگوریتمی خود یک مارپیچ نامتقارن و غیر بازتابی را سامان می‌دهد.
در حالی که AI به‌طور انحصاری بر SCBA برای تصمیم‌گیری و SIBA برای توجه تکیه دارد، هوش طبیعی این فرآیندها را با ABCSو DSIA ترکیب میکند. این دوگانگی برای هوش طبیعی امکان هوشیاری را فراهم می‌آورد.
بنابراین، فقدان هوشیاری در AI صرفاً ناشی از محدودیت ظرفیت یا قدرت پردازش نیست؛ بلکه به دلیل نبود قوه ذهنی "من" است. این موضوع این اصل اساسی را تأکید میکند که: "در AI، 'من' وجود ندارد (فرهادی، 2021).
مسئله سخت هوشیاری و هوش مصنوعی
آگاهی و وقوف پایه هوشیاری است و با تبدیل اطلاعات عینی به تجربه ذهنی به زندگی انسان معنا می‌بخشد. از طریق این تحول، احساسات به ادراک (qualia)، دانش به دانستن، حافظه به یادآوری و هیجانات به احساسات تبدیل می‌شوند. با این حال، مکانیسم‌های زیربنایی این دگرگونی عمیق همچنان موضوع معضلی است که چالمرز (1995) آن را "مسئله سخت هوشیاری" نامید.
هیچ یک از نظریه‌های هوشیاری بررسی‌شده در این مقاله، از جمله نظریه سه‌گانه هوشیاری (TTC)، به‌طور مستقیم پاسخی برای این چالش ارائه نمی‌دهند. با این حال، TTC در دیدگاهی منحصربه‌فرد، و به‌وضوح بین آگاهی و هوشیاری تفاوت قائل شده و بر اساس این تمایز، پیشنهاد می‌دهد که بهتر است مسئله سخت هوشیاری را به عنوان مسئله سخت آگاهی بازتعریف کرد.
این بازتعریف، بر نقش آگاهی به‌عنوان پیش‌نیاز هوشیاری تأکید میکند و در عین حال محدودیت‌های درک فعلی ما از مکانیسم‌های زیربنایی آن را مطرح می‌سازد. تا زمانی که مسئله سخت آگاهی حل نگردد، ایده دستیابی هوش مصنوعی (AI) به هوشیاری همچنان در پرده‌ای از ابهام باقی خواهد ماند و فاقد یک پایه نظری محکم خواهد بود.
محدودیت‌های نظریه‌های هوشیاری
نظریه‌های هوشیاری مورد بررسی در این مقاله، مدل‌های مفهومی‌ای هستند که پایه‌ای برای توسعه فرضیه‌های تجربی و ایجاد بینش‌های نظری جدید را برای این مفهوم پیچیده فراهم می‌کنند. اگرچه این مدل‌ها چارچوب‌های ارزشمندی برای تجسم مفاهیمی همچون هوشیاری و توجه ارائه می‌دهند، اما فاقد دستورالعمل اجرایی برای انجام تحقیقات جهت اثبات یا رد این نظریه‌ها بطور تجربی هستند.
علاوه بر این، این نظریه‌ها مکانیسم‌های عصبی دقیقی را برای توضیح فرآیندهای زیربنایی هوشیاری پیشنهاد نمی‌کنند و یا پاسخی را برای مسئله سخت هوشیاری ارائه نمی دهند.
این محدودیت‌ها نشان‌دهنده نیاز به مطالعات وسیع تر و نظریه‌های تجربی بیشتری هستند که بتوانند پیچیدگی‌های هوشیاری را بهتر توضیح دهند. پیشرفت در این زمینه نیازمند ترکیبی از رویکردهای فلسفی، علوم شناختی و فناوری‌های پیشرفته است تا بتواند به‌صورت عملی فرآیندهای زیربنایی آگاهی و هوشیاری را آشکار کند.
نتیجه‌گیری
هوشیاری اغلب به‌عنوان یک وضعیت ذهنی تعریف می‌شود، در حالی که آگاهی و وقوف به‌عنوان یک تجربه توصیف می‌شود. با وجود تفاوت‌های ظریف میان این دو مفهوم، این اصطلاحات اغلب به‌صورت مترادف در مباحث علمی و فلسفی مورد استفاده قرار می‌گیرند و مرور ما در این مبحث نشان می‌دهد که اکثر نظریه‌های هوشیاری معتبر مرزهای مشخصی بین این دو مفهوم قائل نیستند.
در میان نظریه‌های بررسی‌شده، نظریه سه‌گانه هوشیاری (TTC) به‌عنوان گسترشی از نظریه ادغام اطلاعات (IIT) و نظریه فضای کاری گسترده (GWT)، بیان می‌دارد که هوشیاری یک پدیده برآمده از ادغام اطلاعات دو عملکرد ذهنی انتخاب گزینه مبتنی بر آگاهی (ABCS) و گزینش درون‌پردازه برای آگاهی (DSIA)چجگ بوده و بر این اساس چارچوبی منحصربه‌فرد برای هوشیاری و آگاهی ارائه می‌دهد.
این عملکردها نه‌تنها به ظهور هوشیاری منجر می‌شوند بلکه به ایجاد خودآگاهی منتهی شده و بدین ترتیب، شکاف‌های باقی‌مانده از نظریه‌های دیگر را پر می‌کنند. TTC همچنین بر عاملیت به‌عنوان یک محصول ناگزیر از هوشیاری تأکید میکند که آن را از سایر مدل‌ها متمایز می‌سازد.
در حالی که برخی نظریه‌ها ممکن است بیداری حاصل از توجه الگوریتمی و تصمیم‌گیری‌های خودکار در سیستم‌های کنونی هوش مصنوعی (AI) را نشانه‌ای از هوشیاری آن بدانند، TTC دیدگاهی محدودتر اتخاذ میکند. این نظریه استدلال میکند که توجه آگاهانهو توانایی تصمیم‌گیری مبتنی بر اختیار—که از ویژگی‌های برجسته هوش طبیعی (NI) هستند—شرط لازم برای هوشیاری و خودآگاهی واقعی محسوب می‌شوند.
طبق TTC، خودآگاهی به‌عنوان محصول جانبی هوشیاری از طریق تعامل پیچیده میان آگاهی و نیت شکل می‌گیرد. این تعامل پویا، که توسط عملکردهای ABCS و DSIA هدایت می‌شود، منجر به ظهور قوه ذهنی موسوم به "من" می‌شود که تفاوت بنیادی بین هوش طبیعی و هوش مصنوعی را مشخص میکند.
تحقیقات بیشتر در این حوزه ضروری است تا این مدل‌های مفهومی دقیق‌تر شوند، درک ما از هوشیاری عمیق‌تر شود و چارچوب‌های تجربی جدیدی توسعه یابند که بتوانند به‌طور مؤثرتری با پیچیدگی‌های این پدیده روبه‌رو شوند.
فهرست منابع
آلپورت، آ. (1993). توجه و کنترل: آیا ما سوالات اشتباهی پرسیده‌ایم؟ مرور انتقادی از بیست و پنج سال گذشته. در دی. ای. مایر و اس. کورنبلوم (ویراستاران)، توجه و عملکرد XIV: هم‌افزایی در روانشناسی تجربی، هوش مصنوعی و علوم اعصاب شناختی (ص. 183–218). انتشارات MIT.
آراوجو، اچ. اف.، کاپلان، جی.، داماسیو، اچ. و داماسیو، آ. (2015). ارتباطات عصبی حوزه‌های مختلف خود. مغز و رفتار، 5(12)، 1–15. https://doi.org/10.1002/brb3.409
بارس، بی. جی. (1988). نظریه شناختی هوشیاری. انتشارات دانشگاه کمبریج.
بین، تی.، هووی، جی. و اوون، ای. ام. (2016). آیا سطوحی از هوشیاری وجود دارد؟ روندها در علوم شناختی، 20(6)، 405–413. https://doi.org/10.1016/j.tics.2016.03.009
برچ، جی.، شنل، آ. و کلیتون، ان. (2020). ابعاد هوشیاری حیوانات. روندها در علوم شناختی، 24(10)، 789–801. https://doi.org/10.1016/j.tics.2020.07.007
برودبنت، دی. ای. (1971). تصمیم و استرس. انتشارات آکادمیک.
کارترز، پی. (2019). ذهن‌های انسانی و حیوانی: سوالات مربوط به هوشیاری حل شد. انتشارات دانشگاه آکسفورد.
چالمرز، دی. (1995). رویارویی با مسئله هوشیاری. مطالعات هوشیاری، 2(3)، 200–219.
کلارک، آ. (2013). بعدی چیست؟ مغزهای پیش‌بینی‌کننده، عاملان موقعیت‌یافته، و آینده علوم شناختی. علوم رفتاری و مغزی، 36(3)، 181–204. https://doi.org/10.1017/S0140525X12000477
دوهان، اس.، کرزبورگ، ام. و شانژو، ژ. پی. (1998). یک مدل عصبی از فضای کاری جهانی در وظایف شناختی پرزحمت. مجموعه مقالات آکادمی ملی علوم ایالات متحده آمریکا، 95(24)، 14529–14534. https://doi.org/10.1073/pnas.95.24.14529
دنت، دی. سی. و کینزبورن، ام. (1992). زمان و ناظر: کجا و کی از هوشیاری در مغز. علوم رفتاری و مغزی، 15(2)، 183–201. https://doi.org/10.1017/S0140525X00068229
دسیمون، آر. و دانکن، جی. (1995). مکانیزم‌های عصبی توجه بصری انتخابی. بررسی سالانه علوم اعصاب، 18، 193–222. https://doi.org/10.1146/annurev.ne.18.030195.001205
دویچ، ج. آ. و دویچ، د. (1963). توجه: برخی ملاحظات نظری. بازبینی روانشناسی، 70، 80–90.
دونینگ، ال. (2020). جورج بارکلی. در دانشنامه فلسفه استنفورد، ویرایش بهار 2020.https://plato.stanford.edu/archives/spr2020/entries/berkeley/
فرهادی، آ. (2021). در هوش مصنوعی "من" وجود ندارد. AI و جامعه، 36(4)، 1035–1046. https://doi.org/10.1007/s00146-020-01136-2
فرهادی، آ. (2023). سه‌گانه: یک پارادایم جدید از هوشیاری. مجله روان‌پزشکی اعصاب، 13(1)، 1–16.
فرهادی، آ. (2024). انتخاب آگاهانه مبتنی بر آگاهی و وقوف: بهبود کارایی تصمیم‌گیری با استفاده از اطلاعات شناخته شده. Qeios. doi:10.32388/5K6UMY.
فروید، س. (1924). مقدمه‌ای کلی بر روانکاوی (ترجمه جی. ریوی‌یر). انتشارات واشنگتن اسکوئر.
گالوس، دبلیو. و استارزیک، جی. (2020). مدل تقلیلی ذهن هوشیار. IGI Global. https://doi.org/10.4018/978-1-7998-5653-5
هیرست، دبلیو.، اسپلكه، ای. اس.، ریوز، سی. سی.، كاهاراچ، جی. و نایسر، یو. (1980). تقسیم توجه بدون تناوب یا خودکاری. مجله روانشناسی تجربی: عمومی، 109، 98–117.
هووی، جی. (2013). ذهن پیش‌بینی‌کننده. انتشارات دانشگاه آکسفورد.
جانستون، جی. سی. و مک‌کان، آر. اس. (2006). محل تداخل در کارهای دوگانه: آیا گلوگاهی در مرحله طبقه‌بندی محرک وجود دارد؟ فصلنامه روانشناسی تجربی، 59، 694–719.
جونکیز، ج.، ویرچون، م. و بیندر، ام. (2017). هوشیاری چهار بعدی تدریجی. مرزهای روانشناسی، 8، 420. https://doi.org/10.3389/fpsyg.2017.00420
لی، آ. وای. (2022). درجات هوشیاری. نوس، 00(1)، 1–23. https://doi.org/10.1111/nous.12421
مک‌کیلیام، آ. کی. (2020). وضعیت جهانی هوشیاری چیست؟ فلسفه و علوم ذهنی، 1 (II).https://doi.org/10.33735/phimisci.2020.II.58
مول، سی. (2009). توجه در تفکر مدرن متأخر. در توجه. در دانشنامه فلسفه روتلج. تیلور و فرانسیس. بازیابی شده در 20 سپتامبر 2022، از https://www.rep.routledge.com/articles/thematic/attention/v-1/sections/attention-in-later-modern-thought. doi:10.4324/9780415249126-V042-1
نورمن، د. آ. (1968). به‌سوی نظریه‌ای از حافظه و توجه. بازبینی روانشناسی، 75(6)، 522–536. https://doi.org/10.1037/h0026699
اوکانر، دی. اچ.، فوکوی، ام. ام.، پینسک، ام. ای. و کستنر، اس. (2002). توجه پاسخ‌ها را در هسته جانبی ژنیکولات انسان تعدیل میکند. طبیعت علوم اعصاب، 5، 1203–1209.
پرینز، ج. (2012). مغز هوشیار: چگونه توجه تجربه را به وجود می‌آورد. انتشارات دانشگاه آکسفورد.
رینولدز، جی. و دسیمون، آر. (2000). مکانیزم‌های رقابتی زیر بنای توجه بصری انتخابی. در آ. مارانتز، ی. میاشیتا و و. اونیل (ویراستاران)، تصویر، زبان، مغز: مقالاتی از اولین سمپوزیوم پروژه بیان ذهن (ص. 233–247). انتشارات MIT.
راسل، ب. (1945). تاریخ فلسفه غرب و ارتباط آن با شرایط سیاسی و اجتماعی از قدیم‌ترین زمان‌ها تا روزگار حاضر. انتشارات سایمون و شوستر.
سرل، ج. (1980). ذهن‌ها، مغزها و برنامه‌ها. علوم رفتاری و مغزی، 3، 417–457.
شوماکر، اس. (1986). درون‌بینی و خود. مطالعات میان‌غربی در فلسفه، 10(1)، 101–120. https://doi.org/10.1111/j.1475-4975.1986.tb00097.x
تونونی، جی.، بولی، ام.، ماسیمینی، ام. و کخ، سی. (2016). نظریه اطلاعات یکپارچه: از هوشیاری تا زیرلایه فیزیکی آن. بررسی‌های علوم اعصاب طبیعت، 17(7)، 450–461. https://doi.org/10.1038/nrn.2016.44
تریسمان، آ. (1999). اتصال ویژگی‌ها، توجه و ادراک اشیاء. در ج. دبلیو. هامفریز، ج. دانکن و آ. تریسمان (ویراستاران)، توجه، فضا و عمل(ص. 91–111). انتشارات دانشگاه آکسفورد.
وانگ، جی.، ما، اس.، وو، ی.، پی، جی.، ژائو، آر. و شی، ال. (2021). اجرای انتها به انتهای شبکه‌های عصبی ترکیبی مختلف روی یک تراشه نورومورفیک چند‌الگویی. مرزهای علوم اعصاب، 15، 615279. https://doi.org/10.3389/fnins.2021.615279
References
Allport, A. (1993). Attention and control: Have we been asking the wrong questions? A critical review of twenty-five years. In D. E. Meyer & S. Kornblum (Eds.), Attention and Performance XIV: Synergies in experimental psychology, artificial intelligence, and cognitive neuroscience (pp. 183–218). MIT Press.
Araujo, H. F., Kaplan, J., Damasio, H., & Damasio, A. (2015). Neural correlates of different self-domains. Brain and Behavior, 5(12), 1–15. https://doi.org/10.1002/brb3.409
Baars, B. J. (1988). A cognitive theory of consciousness. Cambridge University Press.
Bayne, T., Hohwy, J., & Owen, A. M. (2016). Are there levels of consciousness? Trends in Cognitive Sciences, 20(6), 405–413. https://doi.org/10.1016/j.tics.2016.03.009
Birch, J., Schnell, A. & Clayton, N. (2020). Dimensions of Animal Consciousness. Trends in Cognitive Sciences 24 (10):789-801. https://doi.org/ /10.1016/j.tics.2020.07.007
Broadbent, D. E. (1971). Decision and stress. Academic Press.
Carruthers, P. (2019). Human and animal minds: The consciousness questions laid to rest. Oxford University Press.
Chalmers, D. (1995). Facing up to the problem of consciousness. Journal of Consciousness Studies, 2(3), 200−219.
Clark, A. (2013). Whatever next? Predictive brains, situated agents, and the future of cognitive science. Behavioral and Brain Sciences, 36(3), 181–204. https://doi.org/10.1017/S0140525X12000477
Dehaene, S., Kerszberg, M., & Changeux, J.-P. (1998). A neuronal model of a global workspace in effortful cognitive tasks. Proceedings of the National Academy of Sciences of the United States of America, 95(24), 14529–14534. https://doi.org/10.1073/pnas.95.24.14529
Dennett, D. C., & Kinsbourne, M. (1992). Time and the observer: The where and when of consciousness in the brain. Behavioral and Brain Sciences, 15(2), 183–201. https://doi.org/10.1017/S0140525X00068229
Desimone, R., & Duncan, J. (1995). Neural mechanisms of selective visual attention. Annual Review of Neuroscience, 18, 193–222. https://doi.org/10.1146/annurev.ne.18.030195.001205
Deutsch, J. A., & Deutsch, D. (1963) Attention: Some theoretical considerations. Psychological Review, 70, 80–90.
Downing, L. (2020). George Berkeley. The Stanford Encyclopedia of Philosophy Spring 2020 Edition. https://plato.stanford.edu/archives/spr2020/entries/berkeley/
Farhadi, A. (2021). There is no “I” in “AI”. AI & Society, 36(4), 1035–1046. https://doi.org/10.1007/s00146-020-01136-2
Farhadi, A. (2023). Trilogy: A new paradigm of consciousness. Journal of Neuropsychiatry, 13(1), 1–16.
Farhadi, A . (2024). Awareness-based Choice Selection: Improving the Decision-making Efficiency by Using Known Information. Qeios. doi:10.32388/5K6UMY.
Freud, S. (1924). A general introduction to psychoanalysis (J. Riviere, Trans). Washington Square Press Inc.
Galus, W., & Starzyk, J. (2020). Reductive model of the conscious mind. IGI Global. https://doi.org/10.4018/978-1-7998-5653-5
Hirst, W., Spelke, E. S., Reaves, C. C., Caharack, G., & Neisser, U. (1980). Dividing attention without alternation or automaticity. Journal of Experimental Psychology: General, 109, 98–117.
Hohwy, J. (2013). The Predictive Mind. Oxford University Press.
Johnston, J. C., & McCann, R. S. (2006). On the locus of dual-task interference: Is there a bottleneck at the stimulus classification stage? The Quarterly Journal of Experimental Psychology, 59, 694–719.
Jonkisz, J., Wierzchoń, M., & Binder, M. (2017). Four-dimensional graded consciousness. Frontiers in Psychology, 8, 420. https://doi.org/10.3389/fpsyg.2017.00420
Lee, A. Y. (2022). Degrees of consciousness. Nous, 00(1), 1–23. https://doi.org/10.1111/nous.12421
Mckilliam, A. K. (2020). What is a global state of consciousness? Philosophy and the Mind Sciences, 1 (II).
https://doi.org/10.33735/phimisci.2020.II.58
Mole, C.(2009). Attention in later modern thought. In Attention. In The Routledge Encyclopedia of Philosophy. Taylor and Francis. Retrieved 20 Sep. 2022, from https://www.rep.routledge.com/articles/thematic/attention/v-1/sections/attention-in-later-modern-thought. doi:10.4324/9780415249126-V042-1
Norman, D. A. (1968). Toward a theory of memory and attention. Psychological Review, 75(6), 522–536. https://doi.org/10.1037/h0026699
O’Connor, D. H., Fukui, M. M., Pinsk, M. A., & Kastner, S. (2002). Attention modulates responses in the human lateral geniculate nucleus. Nature Neuroscience, 5, 1203–1209.
Prinz, J. (2012). The Conscious Brain: How Attention Engenders Experience. Oxford University Press.
Reynolds, J., & Desimone, R. (2000). Competitive mechanisms subserve selective visual attention. In A. Marantz, Y. Miyashita, & W. O’Neil (Eds.), Image, Language, Brain: Papers from the First Mind Articulation Project Symposium (pp. 233–247). The MIT Press.
Russell, B. (1945). A history of western philosophy and its connection with political and social circumstances from the earliest times to the present day. Simon and Schuster.
Searle, J., (1980), Minds, Brains and Programs. Behavioral and Brain Sciences, 3, 417–57
Shoemaker, S. (1986). Introspection and the self. Midwest Studies in Philosophy, 10(1), 101–120. https://doi.org/10.1111/j.1475-4975.1986.tb00097.x
Tononi, G., Boly, M., Massimini, M., & Koch, C. (2016). Integrated information theory: From consciousness to its physical substrate. Nature Reviews Neuroscience, 17(7), 450–461. https://doi.org/10.1038/nrn.2016.44
Treisman, A. (1999). Feature binding, attention and object perception. In G. W. Humphries, J. Duncan, & A. Treisman (Eds.), Attention, Space, and Action (pp. 91–111). Oxford University Press.
Wang, G., Ma, S., Wu, Y., Pei, J., Zhao, R., & Shi, L. (2021). End-to-end implementation of various hybrid neural networks on a cross-paradigm neuromorphic chip. Frontiers in Neuroscience, 15, 615279.
https://doi.org/10.3389/fnins.2021.615279