A világunk ok-okozati rendszer, a világunk az okságra épül. Ahhoz, hogy megértsük a világunkat, hogy hatékonyan tudjunk benne élni, hogy va...
A világunk ok-okozati rendszer, a világunk az okságra épül. Ahhoz, hogy megértsük a világunkat, hogy hatékonyan tudjunk benne élni, hogy valóban értelmes módon tudjunk viselkedni a világban, az ok-okozati összefüggéseket kell felismerni a világunk működésében.
A világban számtalan összefüggés létezik, amelynek csak egy része az ok-okozati kapcsolat. Az ok-okozati kapcsolat szükségszerűen egymáshoz kapcsolódó szekvenciális korreláció. Az okság a világunk működésének a lényege.
Az ok-okozati kapcsolat egyúttal a jelentésnek is a hordozója. Bármilyen jelentést meg lehet határozni ok-okozati kapcsolatként. Ebből következően bármi, ami képes felismerni a világ ok-okozati összefüggéseit, az, és csak az alkalmas megérteni a világot.
A nem ok-okozati korrelációk is fontos szerepet játszanak a világunkban, mert ezek az összefüggések reprezentálják a világban létező dolgok tulajdonságait.
A mesterséges intelligencia az alkalmas működési módja következtében, és a teljesítmény korlátjának hiánya miatt már hatékonyabban képes korrelációkat felismerni, mint a világ modellezése közben az emberi agy, azonban nem rendelkezik eljárással az összefüggések között az ok-okozati kapcsolatok kiválasztására, tehát a jelentés felismerésére. Ezért a mesterséges intelligencia azokon a területeken használható hatékonyan, az emberi agynál is eredményesebben, ahol nagy adathalmazban szükséges felismerni az összefüggéseket, és az összefüggések alapvetően ok-okozati kapcsolatok.
Az emberi agy a működési mechanizmusából eredően hatékonyan képes az összefüggések között az ok-okozati kapcsolatok felismerésére, kiválasztására. Az emberi agy még őrzi a felsőbbrendűségét a világ lényegének, a jelentésnek a felismerésében.
Alapvetően az emberi agy is csak az összefüggéseket képes felismerni, mert valójában megfigyeléssel csak az összefüggések ismerhetők fel. Az agy azonban a működési eljárásaiból következően képes olyan funkciókra, amelyekkel az összefüggések sorrendiség szerint rangsorolhatók, és a rangsorolás következményeként az ok-okozati összefüggések már valószínűsíthetők. Az agy a neuronok kapcsolatainak folyamatos külső és belső kondicionálása által folytonosan formálódó neurális rezonanciákra épülő működési módjából származóan képes az emergens prediction error minimization funkcióra, ami funkcionálisan ekvivalens az ok-okozat szerinti viselkedés megvalósításával.
Az agy alapvetően más műveleti eljárásokkal működik, mint a korrelációkat felismerő mesterséges intelligencia. Ahhoz, hogy számítástechnikai eszközökkel is lehetségessé vált az adatok között az összefüggések felismerése, lehetségessé vált a mesterséges intelligencia aktuális szintjének az elérése, meg kellett találni a megfelelő architektúrát és az alkalmas matematikai eljárásokat, amelyeknek a számítástechnikai eszközökön történő megvalósítása lehetővé tette az agy korrelációkat felismerő működésének szimulációját, amelynek eredményeként létrejött az intelligens funkció.
Az összefüggéseket felismerő mesterséges intelligencia alkalmas működése az agy architektúrájának a számítástechnikai eszközökön történő modellezésével valósult meg, kiegészítve az agyi kooperáló neuronok rezonanciára épülő működési elvétől teljesen eltérő, a korrelációkat felismerő intelligens funkciót a számítástechnikai környezetben natív módon használható matematikai eljárásoknak az alkalmazásával. A korrelációk felismerésére azonban nem elegendő a racionalitáshoz, az okság szerinti intelligens működéshez.
Hasonlóan a korrelációk felismerése alapú működéshez, a racionalitás, az okság felismerésének mesterséges megvalósításhoz is először meg kell határozni az okság jellemzőit, majd azokat matematikai nyelven kell megfogalmazni, hogy aztán számítástechnikai eszközökön is meg lehessen valósítani.
Az okság olyan korreláció, amelyre két alapvető jellemző egyszerre érvényes, a szekvencialitás, és a kizárólagosság, azaz szigorú korreláció.
A mesterséges intelligencia megvalósítására használt, a korrelációk felismerésére alkalmazott matematikai eljárások jó hatásfokkal működnek. Mivel az ok-okozati kapcsolatok a korrelációk részhalmaza, az okság kiválasztására alkalmas eljárásnak a korrelációknak az ok-okozati kapcsolatok tulajdonságai alapján történő szelektálását kell, hogy a keresésre alkalmas matematikai módszerekkel megvalósítsa.
Az ok-okozati kapcsolatok szekvenciális jellegűek: a számítástechnikai eszközökkel megvalósított matematikai eljárásnak a korrelációk között az időben egymás után következőket kell legyen képes felismerje. Az idő figyelembevétele a számítástechnikai környezetben az összefüggések halmazából történő szelektálás során nem jelent elméleti nehézséget, csupán alkalmas matematikai módszert kell alkalmazni az adathalmazon a korrelációk sorrendiségének a felismerésére.
Az ok-okozati kapcsolat szigorú korreláció: a számítástechnikai eszközökkel megvalósított matematikai eljárásnak az időben egymást követő korrelációk között azokat kell legyen képes kiválasztani, amelyek minden alkalommal szigorúan bekövetkeznek. A korrelációk feldolgozását végző matematikai eljárásnak továbbá fel kell ismernie, hogy a szekvenciálisan bekövetkező, szigorúan létrejövő korrelációkhoz pontosan milyen kiinduló feltételek tartoznak, azaz mi a kiinduló állapotok zárt halmaza, amelyek következményszerűen létrehozzák a bekövetkező állapotot.
Amikor az ok-okozati kapcsolatot létrehozó kiinduló állapot komplex struktúra, akkor az ok-okozati kapcsolat tipikusan karakterisztikus korreláció, a vég állapot meghatározóan függ a kiinduló állapot jellegétől. Az okságot kereső számítástechnikai eszközökkel megvalósított matematikai eljárásnak a szigorúan egymást követő korrelációk között képesnek kell lennie arra, hogy felismerje a vég állapotot létrehozó kiinduló feltételek optimális elrendezését.
Ez a funkció megfigyelés által passzív, vagy aktív módon is megvalósítható.
A passzív megfigyelés esetén a rendszerre jellemző adatok között, a kiválasztott és többször ismételten bekövetkező állapot megjelenése esetén vizsgálni kell, hogy milyen jellegű formában vannak jelen a kiinduló feltételek, és ezek vizsgálatával kell meghatározni az összefüggés karakterisztikáját. A passzív megfigyelés nyilvánvalóan nagy mennyiségű adat rendelkezésre állását feltételezi, és a megfigyelt rendszer aktivitását igényli, hogy az eredményes megfigyeléshez megfelelő mennyiségű adat álljon rendelkezésre.
Ha nem áll rendelkezésre elegendő mennyiségű adat, az aktív megfigyelés az alkalmas eljárás az ok-okozati kapcsolatok felismerésére. Az emberi intelligencia is az aktív megfigyelést alkalmazza, amely sokkal hatékonyabb a nem elegendően aktív rendszerek ok-okozati kapcsolatainak felismerésére. Az aktív megfigyelés azonban közvetlen interakciót tesz szükségessé a megfigyelt rendszerrel kapcsolatban.
Az aktív megfigyelés a kiinduló, fennálló feltételek, mint okok aktív módosításán alapul, megfigyelve a változások hatását a bekövetkező, okozati állapotra. Az aktív megfigyelés az okok optimális konfigurációjának a megtalálására irányul, annak a karakterisztikának a felismerése a célja, amely a leghatékonyabban képes előidézni a bekövetkező állapotot. A feladat matematikai megfogalmazásának lehetséges módja lehet például a helyi szélső értéket (korrelációt) létrehozó változók módosítása olyan módon, hogy a lehető legmeredekebb függvény menettel érje el a függvény az adott szélső értéket.
Az ok-okozati összefüggések a korrelációk között jelennek meg. Az okság kiválasztására, azaz a jelentés felismerésére alkalmas mesterséges intelligencia az emberi intelligenciához hasonlóan kevesebb rendelkezésre álló adatmennyiség esetén is képes intelligens módon viselkedni.
A jelenleg legfejlettebb intelligenciát demonstráló generatív technológiát alkalmazó mesterséges intelligencia az emberi nyelvet használja az összefüggések felismerésére. A természetes módon használt nyelv a természetes rendszerektől eltérően azonban natív módon nem ok-okozati rendszer. A természetes nyelv valójában egy univerzális modellező eszköz. Ezért vezet hamis, valótlan megállapításokra a nyelvben, mint adathalmazban az összefüggések felismerését végző, csupán generatív módszereket alkalmazó mesterséges intelligencia.
Azonban az ok-okozati összefüggések felismerésére optimalizált mesterséges intelligencia a nyelv alkalmazása esetén is hatékonyan és eredményesen lenne alkalmas a hamis és valótlan megállapítások kiszűrésére, és a jelentés, mint filozófiai fogalom nyelvi alapú gyakorlati alkalmazására.
A nyelv univerzális modellező funkciójából viszont az is következik, hogy egy kizárólag valós összefüggéseket hordozó, szigorú belső szabályok szerint felépülő nyelvi adathalmaz, mint például a szigorúan ok-okozati rendszerek leírása szolgáló, szigorú logikát alkalmazó számítástechnikai nyelvek segítségével létrehozott nyelvi modell alkalmas és ideális forrása lehet az ok-okozati összefüggéseknek, a valós jelentésnek a felismerésére. Egy, a világ rendszereinek leírására alkalmazott, és szigorú belső szabályok szerint felépülő nyelv ideális és univerzális formája lehet egy olyan adathalmaznak, amely segítségével az elvi teljesítmény korlát nélküli mesterséges intelligencia a nyelvet, mint adatforrást alkalmazva megvalósítja a világ ok-okozati összefüggéseinek felismerését, a világ jelentését felismerő rendszer megalkotását.
Agy {button_primary} Intelligencia {button_primary} Mesterséges Intelligencia {button_primary}
How to build a rational machine? - the search for causality with artificial intelligence
Nincsenek megjegyzések