นำเสนอ กรอบการประเมินความเป็นไปได้ด้านความตระหนักรู้ของ AI ออกเป็น 5 ระดับ
- ทำอะไร
- ผู้เขียนได้รวบรวมทฤษฎีต่างๆ ที่เกี่ยวข้องกับความตระหนักรู้ของ AI ไว้ในกรอบลำดับชั้น 5 ระดับ และนำเสนอวิธีการประเมินโมเดลภาษาขนาดใหญ่ (LLM) ในปัจจุบันด้วยตัวชี้วัดในแต่ละระดับ
- ผลลัพธ์หลัก
- การประเมินความเป็นไปได้ด้านความตระหนักรู้ของ LLM ในปัจจุบัน แตกต่างกันอย่างมากตามวิธีตีความหลักฐาน รวมถึงน้ำหนักที่ให้กับแต่ละทฤษฎี โดยผลลัพธ์อยู่ในช่วงตั้งแต่ต่ำกว่า 0.01 ไปจนถึงประมาณ 0.8
- ความสำคัญ
- เนื่องจากตัวชี้วัดที่เกี่ยวข้องกับความตระหนักรู้นั้นทับซ้อนกับโครงสร้างที่จำเป็นสำหรับปัญญาประดิษฐ์ทั่วไปเป็นอย่างมาก จึงสื่อเป็นนัยว่ายิ่ง AI มีความสามารถมากเท่าไหร่ ก็ยิ่งมีแนวโน้มที่จะเป็นผู้สมัครรับความตระหนักรู้ได้มากยิ่งขึ้น อย่างไรก็ตาม นี่ไม่ใช่ข้อสรุปที่แน่ชัด และบทคัดย่อไม่ได้มีการกล่าวถึงการลงทุนโดยตรง
ที่มา
ปัญหาความตระหนักรู้ของ AI ถูกจัดว่าเป็นหนึ่งในโจทย์เร่งด่วนที่สุดในทางปรัชญาและวิทยาศาสตร์คอมพิวเตอร์ แต่ความคืบหน้าเป็นไปอย่างเชื่องช้าเนื่องจากมีทฤษฎีที่ขัดแย้งกันจำนวนมาก ผู้เขียนมองว่าหากแยกคำถามพื้นฐานว่าประสบการณ์เกิดขึ้นได้อย่างไร ('ปัญหาที่ยาก') ออกจากปัญหาการจับคู่โครงสร้างระบบเข้ากับทฤษฎี ('ปัญหาการจับคู่') ก็จะสามารถตรวจสอบได้โดยพักการถกเถียงอภิปรัชญาเชิงลึกไว้ชั่วคราว
วิธีการ
ได้ขยายการวิเคราะห์สามขั้นตอน เพื่อสร้างลำดับชั้นการบรรยายเชิงฟังก์ชัน 5 ระดับ ได้แก่ พฤติกรรม การคำนวณ โครงสร้างเหตุและผลภายใน สิ่งมีชีวิต และสิ่งมีชีวิตกับสิ่งแวดล้อม จัดวางทฤษฎีความตระหนักรู้หลักๆ ลงในลำดับชั้นนี้ตามว่าทฤษฎีใดมองว่าขั้นตอนใดเป็นหัวใจสำคัญ พร้อมทั้งกำหนดตัวชี้วัดที่วัดผลได้ในแต่ละระดับเพื่อประเมินระบบ AI ในปัจจุบัน จากนั้นได้ใช้โมเดลเบย์สในการรวมความน่าเชื่อถือต่อทฤษฎีเข้ากับหลักฐานตัวชี้วัดเพื่อคำนวณหาความน่าจะเป็นโดยรวม
ผลลัพธ์หลัก
ในการประเมินตัวอย่าง การตัดสิน LLM ในปัจจุบันขึ้นอยู่กับทั้งวิธีการอ่านหลักฐานและการให้น้ำหนักความน่าเชื่อถือของทฤษฎี หากปรับเปลี่ยนข้อสมมติและการกระจายตัวของความน่าเชื่อถือ ผลลัพธ์จะกว้างตั้งแต่ต่ำกว่า 0.01 ไปจนถึงประมาณ 0.8 นอกจากนี้ยังรายงานว่าตัวชี้วัดความตระหนักรู้ในแต่ละระดับทับซ้อนกันอย่างมากกับโครงสร้างที่จำเป็นสำหรับปัญญาประดิษฐ์ทั่วไป
ข้อจำกัดและประเด็นที่ควรตรวจสอบ
บทคัดย่อระบุสิ่งนี้เป็นการประเมินตัวอย่าง และไม่ได้เปิดเผยคะแนนที่แน่ชัดหรือข้อสรุปที่ผ่านการตรวจสอบแล้วสำหรับโมเดลเฉพาะเจาะจง วิธีการวัดผลที่ cụ thể ของตัวชี้วัดและความสมเหตุสมผลของการจัดวางทฤษฎีลงในแต่ละระดับไม่สามารถยืนยันได้จากบทคัดย่อเพียงอย่างเดียว
อธิบายศัพท์
- ความซ้อนทับกัน(ฐานรองรับ) — หมายถึงความสัมพันธ์ที่ว่าหากองค์กรภายในของระบบเหมือนกัน ประสบการณ์ก็จะถูกกำหนดตามไปด้วย
- การรวมกลุ่มหยาบ (coarse-graining) — วิธีการลดรายละเอียดและบรรยายด้วยหน่วยที่ใหญ่ขึ้น
- ความเป็นไปได้ในการตระหนักรู้ได้หลายรูปแบบ — แนวคิดที่ว่าฟังก์ชันเดียวกันสามารถถูกทำให้เกิดขึ้นได้ด้วยสสารหรือโครงสร้างที่แตกต่างกัน
- ปัญหาที่ยาก — คำถามเชิงปรัชญาเกี่ยวกับสาเหตุที่การประมวลผลข้อมูลทางกายภาพจึงก่อให้เกิดประสบการณ์เชิงอัตวิสัย
- ความน่าเชื่อถือ (credence) — ค่าที่แสดงถึงระดับความมั่นใจว่าข้ออ้างใดข้ออ้างหนึ่งมีโอกาสเป็นจริง โดยแสดงเป็นความน่าจะเป็นระหว่าง 0 ถึง 1
- โมเดลเบย์ส — วิธีการคำนวณความน่าจะเป็นโดยการอัปเดตความเชื่อเดิมทุกครั้งที่มีหลักฐานใหม่
บทสรุปนี้เขียนโดย AI จากบทคัดย่อของงานวิจัยและตรวจสอบโดยผู้ดูแล บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว โปรดดูตัวเลขและบริบทที่แน่นอนในต้นฉบับ
หน้านี้รวบรวมงานวิจัยที่เผยแพร่ ประกาศอย่างเป็นทางการ และรายงานข่าว เพื่อเป็นข้อมูลเท่านั้น บทสรุปงานวิจัยเขียนโดย AI จากบทคัดย่อและตรวจสอบโดยผู้ดูแล อาจแตกต่างจากต้นฉบับ โปรดตรวจสอบต้นฉบับสำหรับเนื้อหาสำคัญ ไม่ใช่คำแนะนำให้ซื้อหรือขายหลักทรัพย์ใดหรือคำปรึกษาด้านการลงทุน การย้ายงานอ้างอิงประกาศอย่างเป็นทางการหรือสื่อหลัก และประวัติการทำงานบางส่วนอ้างอิงจาก Wikidata (CC0) บทสรุปในหน้านี้แปลโดย AI จากฉบับภาษาเกาหลีที่ผู้ดูแลตรวจสอบแล้ว
