Podcast: Kan du lära en maskin att tänka?

Ariel Davis





Artificiell intelligens har blivit en så stor del av våra liv att du skulle bli förlåten om du tappar räkningen på algoritmerna du interagerar med. Men den AI som driver din väderprognos, Instagram-filter eller favoritspellista på Spotify är långt ifrån hyperintelligenta tankemaskiner branschpionjärer har funderat på i årtionden.

Djup lärning, tekniken som driver den nuvarande AI-boomen , kan träna maskiner till att bli mästare på alla möjliga uppgifter. Men den kan bara lära sig en åt gången. Och eftersom de flesta AI-modeller tränar sina färdigheter på tusentals eller miljontals befintliga exempel, slutar de med att de replikerar mönster i historiska data – inklusive de många dåliga beslut som människor har tagit, som att marginalisera färgade personer och kvinnor.

Ändå har system som brädspelsmästaren AlphaZero och den allt mer övertygande generatorn för falska texter GPT-3 väckt debatten om när människor kommer att skapa en artificiell allmän intelligens —maskiner som kan multitaska, tänka och resonera för sig själva.



Tanken är splittrad. Bortom svaret på hur vi kan utveckla teknologier som kan förnuft eller självförbättring ligger ännu en fråga: vem drar egentligen nytta av replikeringen av mänsklig intelligens i ett artificiellt sinne?

Det mesta av värdet som genereras av AI idag går tillbaka till miljardföretagen som redan har en fantastisk mängd resurser till sitt förfogande, säger Karen Hao, MIT Technology Reviews senior AI-reporter och skribent av Algoritmen . Och vi har inte riktigt kommit på hur vi ska omvandla det värdet eller distribuera det värdet till andra människor.

I det här avsnittet av Deep Tech går Hao och Will Douglas Heaven, vår seniorredaktör för AI, tillsammans med vår chefredaktör, Gideon Lichfield, för att diskutera de olika tankeskolorna kring huruvida en artificiell allmän intelligens ens är möjlig, och vad den skulle ta för att komma dit.



Kolla in fler avsnitt av Deep Tech här.

Visa anteckningar och länkar:

Hela avsnittet transkription:

Gideon Lichfield: Artificiell intelligens är nu så allestädes närvarande att du förmodligen inte ens tänker på det faktum att du använder den. Dina webbsökningar. Google översätt. Röstassistenter som Alexa och Siri. Dessa söta små filter på Snapchat och Instagram. Vad du ser – och inte ser – på sociala medier. Bedrägerivarningar från ditt kreditkortsföretag. Amazon rekommendationer. Spotify spellistor. Vägbeskrivningar. Väderprognosen. Allt är AI, hela tiden.

Och det är allt vi kan kalla dum AI. Inte riktig intelligens. Egentligen bara kopieringsmaskiner: algoritmer som har lärt sig att göra riktigt specifika saker genom att tränas på tusentals eller miljoner korrekta exempel. På vissa av dessa saker, som ansikts- och taligenkänning, är de redan ännu mer exakta än människor.



Alla dessa framsteg har återupplivat en gammal debatt på området: kan vi skapa nuvarande intelligens, maskiner som självständigt kan tänka själva? Nåväl, med mig idag är MIT Technology Reviews AI-team: Will Heaven, vår seniorredaktör för AI, och Karen Hao, vår senior AI-reporter och skribent av Algoritmen , vårt AI-nyhetsbrev. De har båda följt framstegen inom AI och de olika skolorna kring huruvida en artificiell allmän intelligens ens är möjlig och vad som krävs för att nå dit.

Jag är Gideon Lichfield, chefredaktör för MIT Technology Review, och det här är Deep Tech.

Will, du skrev nyss en berättelse på 4 000 ord på frågan om vi kan skapa en artificiell allmän intelligens. Så du måste ha haft någon anledning att göra det mot dig själv. Varför är denna fråga intressant just nu?



Will Douglas Heaven: Så i en mening har det alltid varit intressant. Att bygga en maskin som kan tänka och göra saker som människor kan göra har varit målet för AI sedan början, men det har varit en lång, lång kamp. Och tidigare hype har lett till misslyckande. Så den här idén om artificiell allmän intelligens har blivit, ni vet, väldigt kontroversiell och väldigt splittrande – men den får en comeback. Det är till stor del tack vare framgången med djupinlärning under det senaste decenniet. Och i synnerhet system som Alpha Zero som gjordes av DeepMind och kan spela Go och Shogi, ett slags japanskt schack, och schack. Samma algoritm kan spela alla tre spelen. Och GPT-3, den stora språkmodellen från OpenAI, som kusligt kan härma hur människor skriver. Det har fått folk, särskilt under det senaste året, att hoppa in och ställa dessa frågor igen. Är vi på väg att bygga artificiell allmän intelligens? Maskiner som kan tänka och göra saker som människor kan.

Gideon Lichfield: Karen, låt oss prata lite mer om GPT-3, som Will just nämnde. Det är den här algoritmen som, du vet, du ger den några ord och den kommer att spotta ut stycken och stycken av vad som på ett övertygande sätt ser ut som Shakespeare eller vad du nu säger åt den att göra. Men vad är det som är så anmärkningsvärt med det ur ett AI-perspektiv? Vad gör den som inte kunde göras tidigare?

Karen Hao: Vad som är intressant är att jag tror att genombrotten som ledde till GPT-3 faktiskt hände ett ganska antal år tidigare. År 2017 inträffade det huvudsakliga genombrottet som utlöste en våg av framsteg inom bearbetning av naturligt språk med publiceringen av tidningen som introducerade idén om transformatorer. Och hur en transformatoralgoritm hanterar språk är att den tittar på miljontals eller till och med miljarder exempel, på meningar med styckestruktur, kanske till och med kodstruktur. Och den kan extrahera mönstren och börja förutsäga i en mycket imponerande grad vilka ord som är mest meningsfulla tillsammans, vilka meningar som ger mest mening tillsammans. Och konstruera därför dessa riktigt långa stycken och uppsatser. Vad jag tror att GPT-3 har gjort annorlunda är det faktum att det bara finns storleksordningar mer data som nu används för att träna denna transformatorteknik. Så vad OpenAI gjorde med GPT-3 är att de inte bara tränar det på fler exempel på ord från korpus som Wikipedia eller från artiklar som New York Times eller Reddit-forum eller alla dessa saker, de tränar det också på, meningsmönster, det tränar det på styckemönster, tittar på vad som är vettigt som ett inledningsstycke kontra ett slutstycke. Så det är bara att få mycket mer information och verkligen börja efterlikna hur människor skriver, eller hur musikmusik komponeras, eller hur kodning är kodad.

Så det är bara att få mycket mer information och verkligen börja efterlikna hur människor skriver, eller hur musikmusik komponeras, eller hur kodning är kodad.

Gideon Lichfield: Och innan transformatorer, som kan extrahera mönster från alla dessa olika typer av strukturer, vad gjorde AI?

Karen Hao: Förut var naturlig språkbehandling faktiskt... den var mycket mer grundläggande. Så transformatorer är en typ av självövervakad teknik där algoritmen inte får veta exakt vad den ska leta efter bland språket. Den letar bara efter mönster i sig själv och vad den tror är de återkommande dragen i språkkompositionen. Men innan dess fanns det faktiskt mycket mer övervakade förhållningssätt till språk och mycket mer hårdkodade förhållningssätt till språk där människor lärde ut maskiner som 'detta är substantiv, det här är adjektiv.' Det är så man konstruerar de här sakerna tillsammans.' Och tyvärr är det en mycket mödosam process att försöka kurera språket på det sättet där varje ord typ måste ha en etikett. Och maskinen måste läras manuellt hur man konstruerar dessa saker. Och så det begränsade mängden data som dessa tekniker kunde matas av. Och det var därför språksystemen verkligen inte var särskilt bra.

Gideon Lichfield: Så låt oss återkomma till den distinktionen mellan övervakat och självövervakat lärande, för jag tror att vi kommer att se det är en ganska viktig del av framstegen mot något som kan bli en allmän intelligens. Will, som du skrev i ditt inlägg, det finns en hel del oklarheter om vad vi ens menar när vi säger artificiell allmän intelligens. Kan du prata lite om vilka alternativ som finns där?

Will Douglas Heaven: Det finns ett slags spektrum. Jag menar i ena änden har du system som, du vet, kan göra många av de saker som smal AI eller dum AI, om du så vill kan göra idag, men typ allt på en gång. Och Alpha Zero är kanske den första glimten av det. Den här ena algoritmen som kan träna sig själv att göra tre olika saker, men en viktig varning där, den kan inte få sig själv att göra de tre sakerna samtidigt. Det är alltså inte som en enda hjärna som kan växla mellan uppgifter. Som Shane Legg, om medgrundarna av Deepmind, uttryckte det att det är som om du eller jag måste, du vet, när vi började spela schack, var vi tvungna att byta ut vår hjärna och lägga den i vår schackhjärna.

Det är uppenbarligen inte särskilt allmänt, men vi är på gränsen till den typen av saker – din typ av multi-tool AI där en AI kan göra flera olika saker som smal AI redan kan göra. Och sedan rör sig uppåt i spektrumet, vad förmodligen fler människor menar när de pratar om AGI är, ni vet, tänkande maskiner, maskiner som är människoliknande i skrämselcitat som kan multitaska på det sätt som en person kan. Du vet att vi är extremt anpassningsbara. Vi kan växla mellan, du vet, att steka ett ägg till, du vet, att skriva ett blogginlägg till att sjunga, vad som helst. Ändå finns det också folk som går ända till andra änden av spektrumet, som också skulle vilja ha ett maskinmedvetande för att prata om AGI. Du vet, att vi inte kommer att ha verklig allmän intelligens eller mänsklig intelligens förrän vi har en maskin som inte bara kan göra saker som vi kan göra, utan vet att den kan göra saker som vi kan göra som har något slag av självreflektion där inne. Jag tror att alla dessa definitioner har funnits sedan början, men det är en av de saker som gör AGI svårt att prata om och ganska kontroversiellt eftersom det inte finns någon tydlig definition.

Gideon Lichfield: När vi talar om artificiell allmän intelligens, finns det den här typen av implicita antaganden att mänsklig intelligens i sig också är absolut allmän. Det är universellt. Vi kan steka ett ägg eller så kan vi skriva ett blogginlägg eller så kan vi dansa eller sjunga. Och att alla dessa är färdigheter som alla allmänna intelligenser borde ha. Men är det verkligen så eller kommer det att finnas olika typer av allmän intelligens?

Will Douglas Heaven: Jag tror, ​​och jag tror att många i AI-gemenskapen också skulle hålla med om att det finns många olika intelligenser. Vi har liksom fastnat för den här idén om mänsklig intelligens till stor del, tror jag, eftersom människor under lång tid har varit det bästa exemplet på allmän intelligens som vi har haft, så det är uppenbart varför de är en förebild, du vet , vi vill bygga maskiner i vår egen bild, men du bara ser dig omkring i djurriket och det finns många, många olika sätt att vara intelligent. Från den sortens sociala intelligens som myror har, där de tillsammans kunde göra riktigt anmärkningsvärda saker mot bläckfiskar, som vi bara har börjat förstå hur de är intelligenta, men sedan är de intelligenta på ett mycket främmande sätt jämfört med oss ​​själva. Och även våra närmaste kusiner som schimpanser har intelligenser som skiljer sig från, och du jag, de har andra färdigheter än vad människor har.

Så jag tror att tanken att maskiner, om de blir allmänt intelligenta, behöver vara som oss är, som ni vet, är nonsens, går ut genom fönstret. Själva uppdraget att bygga en AGI som är mänsklig är kanske meningslös eftersom vi har mänsklig intelligens, eller hur? Vi har oss själva. Så varför behöver vi tillverka maskiner som gör dessa saker? Det skulle vara mycket, mycket bättre att bygga intelligenser som kan göra saker som vi inte kan göra. De är intelligenta på olika sätt för att komplettera våra förmågor.

Gideon Lichfield: Karen, folk älskar uppenbarligen att prata om hotet om att en superintelligent AI tar över världen, men vad är det som vi egentligen borde vara oroliga för?

Karen Hao: En av de riktigt stora de senaste åren har varit algoritmisk diskriminering. Det här fenomenet började vi lägga märke till där, när vi tränar algoritmer, små som stora, för att fatta beslut baserade på historiska data, det slutar med att det replikerar de mönster som vi kanske inte nödvändigtvis vill att de ska replikera i historiska data, såsom marginalisering av människor av färg eller marginalisering av kvinnor.

Saker i vår historia som vi hellre skulle klara oss utan, när vi går framåt och utvecklas som samhälle. Men på grund av det sätt som algoritmer inte är särskilt smarta och de extraherar dessa mönster och replikerar dessa mönster tanklöst, slutar de med att de fattar beslut som diskriminerar färgade personer som diskriminerar kvinnor och diskriminerar särskilda kulturer som inte är västerländska kulturer.

Och om du observerar samtalen som pågår bland människor som pratar om några av de sätt som vi behöver tänka på för att mildra hot kring superintelligens eller kring AGI, hur du än vill kalla det, kommer de att prata om denna utmaning med värdeanpassning. Värdeanpassning definieras som hur vi får denna superintelligenta AI att förstå våra värderingar och anpassa oss till våra värderingar. Om de inte överensstämmer med våra värderingar kan de göra något galet. Och det är så det börjar skada människor.

Gideon Lichfield: Hur skapar vi en AI, en superintelligent AI, som inte är ond?

Karen Hao: Exakt. Exakt. Så istället för att i framtiden prata om att försöka lista ut värdeanpassning om hundra år, borde vi prata just nu om hur vi misslyckades med att anpassa värdena till mycket grundläggande AI:er idag och faktiskt lösa problemet med algoritmisk diskriminering.

En annan stor utmaning är koncentrationen av makt som, um, AI naturligt skapar. Du behöver en otrolig mängd beräkningskraft idag för att skapa avancerade AI-system och bryta toppmoderna. Och de enda aktörerna som verkligen har den mängden beräkningskraft nu är de stora teknikföretagen och kanske de främsta forskningsuniversiteterna. Och även de högsta forskningsuniversiteterna kan knappt konkurrera med de stora teknikföretagen längre.

Så Googles Facebooks äpplen i världen. En annan oro som människor har, i hundra år från och med nu är när superintelligent AI släpps lös, kommer det faktiskt att gynna människor jämnt? Nåväl, det har vi inte kommit på idag heller. Precis som att det mesta av värdet som genereras av AI idag går tillbaka till miljardföretagen som redan har en fantastisk mängd resurser till sitt förfogande. Och vi har inte riktigt kommit på hur vi ska omvandla det värdet eller distribuera det värdet till andra människor.

Gideon Lichfield: Okej, låt oss återgå till idén om en allmän intelligens och hur vi skulle bygga den om vi kunde. Kommer att nämna djupinlärning tidigare. Vilket är grundtekniken för de flesta av den AI som vi använder idag. Och den är bara åtta år gammal. Karen, du pratade med i huvudsak fadern till djupinlärning Geoffrey Hinton på vår EmTech-konferens nyligen. Och han tror att djupinlärning, tekniken som vi använder för saker som översättningstjänster eller ansiktsigenkänning, också kommer att vara grunden för en allmän intelligens när vi så småningom kommer dit.

Geoffrey Hinton [Från EmTech 2020]: Jag tror att djupinlärning kommer att kunna göra allt. Men jag tror att det kommer att behöva bli en hel del konceptuella genombrott som vi inte har haft ännu. // Särskilt genombrott som har att göra med hur du får stora vektorer av neural aktivitet för att implementera saker som resonemang, men vi behöver också en enorm skala. // Den mänskliga hjärnan har ungefär hundra biljoner parametrar, det vill säga synapsis. Hundra biljoner. Det som nu kallas riktigt stora modeller som GPT-3 har 175 miljarder. Den är tusentals gånger mindre än hjärnan.

Gideon Lichfield: Kan du kanske börja med att förklara vad djupinlärning är?

Karen Hao: Deep learning är en kategori av tekniker som bygger på denna idé att sättet att skapa artificiell intelligens är att skapa artificiella neurala nätverk som är baserade på de neurala nätverken i vår hjärna. Människans hjärnor är den smartaste formen av intelligens som vi har idag.

Uppenbarligen har Will redan pratat om några utmaningar för denna teori, men om vi antar att mänsklig intelligens är ungefär som symbolen för intelligens som vi har idag, vill vi försöka återskapa artificiella hjärnor som en bild av en mänsklig hjärna. Och djupinlärning är det. Är en teknik som försöker använda artificiella neurala nätverk som ett sätt att uppnå artificiell intelligens.

Det du hänvisade till är att det i stort sett finns två olika läger inom området kring hur vi kan gå tillväga för att närma oss att bygga artificiell allmän intelligens. Det första lägret är att vi redan har alla tekniker vi behöver, vi behöver bara skala dem massivt med mer data och större neurala nätverk.

Det andra lägret är att djupinlärning inte räcker. Vi behöver något annat som vi ännu inte har listat ut för att komplettera djupinlärning för att uppnå några av de saker som sunt förnuft eller resonemang som har varit svårfångade för AI-området idag.

Gideon Lichfield: Så Will, som Karen anspelade på nyss, de människor som tror att vi kan bygga en allmän intelligens utifrån djupinlärning tror att vi måste lägga till några saker till det. Vad är några av dessa saker?

Will Douglas Heaven: Bland dem som tror att djupinlärning är, är vägen att gå. Jag menar, förutom att laddar mer data, som Karen sa, finns det en massa tekniker som människor använder för att driva djup inlärning framåt.

Du har oövervakad inlärning, vilket är... traditionellt många framgångar med djupinlärning, som bildigenkänning, helt enkelt för att använda det klyschiga exemplet att känna igen katter. Det beror på att AI har tränats på miljontals bilder som har märkts av människor med katt. Du vet, så här ser en katt ut, lär dig det. Den oövervakade inlärningen är när maskinen går in och tittar på data som inte har märkts på det sättet och själv försöker upptäcka mönster.

Gideon Lichfield : Så med andra ord, du skulle ge det som ett gäng katter, ett gäng hundar, ett gäng pekannötspajer, och det skulle sortera dem i grupper?

Will Douglas Heaven: Ja. Den måste i grunden först lära sig vad den typ av särskiljande egenskaper mellan dessa kategorier är snarare än att bli uppmanad. Och den förmågan att identifiera sig själv, du vet, vad dessa utmärkande egenskaper är, är ett steg mot ett bättre sätt att lära sig. Och det är praktiskt användbart eftersom uppgiften att märka all denna data är enorm.

Och vi kan inte fortsätta på den här vägen, särskilt om vi vill att systemet ska träna på mer och mer data. Vi kan inte fortsätta på vägen att få den manuellt märkt. Och ännu mer intressant tror jag att ett oövervakat inlärningssystem har en potential att upptäcka dina kategorier som människor inte har. Så vi kanske faktiskt lär oss något av maskinen.

Och så har du saker som överföringsinlärning, och detta är avgörande för allmän intelligens. Det är här du har en modell som har tränats på en uppsättning data på ett eller annat sätt. Och vad det har lärt sig i den utbildningen, du vill kunna överföra det till en ny uppgift så att du inte behöver börja om från början varje gång.

Så det finns olika sätt du skulle närma dig överföringsinlärning, men du kan till exempel ta några av, några av värdena från en utbildning, från ett tågnät och liksom förinstallera ett annat på ett sätt som när du bad det att känna igen , en bild av ett annat djur, den har redan en känsla av, du vet, vad djur har, du vet, ben och huvuden och svansar.

Vad har du. Så du vill bara kunna överföra några av de saker som du har lärt dig från en uppgift till en annan. Och så finns det saker som få skottinlärning, vilket är där systemet lär sig av eller som namnet antyder från väldigt få träningsexempel. Och det kommer också att vara avgörande eftersom vi inte alltid har massor av data att kasta på dessa system för att lära dem.

Jag menar att de är extremt ineffektiva när man tänker på det jämfört med människor. Du vet, vi kan dra lärdom av, du vet, ett exempel, två exempel. Du visar ett barn, en bild på en giraff och den vet vad en giraff är. Vi kan till och med lära oss vad något är utan att säga något exempel.

Karen Hao: ja. Ja. Om ni tänker på det, barn... om ni visar dem en bild på en häst och sedan visar dem en bild på en noshörning och säger, ni vet, en enhörning är något mittemellan en häst och noshörning, kanske de faktiskt gör det. när de först ser en enhörning i en bilderbok, kunna veta att det är en enhörning. Och så det är så du börjar lära dig fler kategorier än exempel som du ser, och det här är inspiration för ännu en gräns för djupinlärning som kallas low shot learning eller less than one shot learning. Och återigen, det är samma princip som få skottinlärning, där om vi kan få dessa system att lära av väldigt, väldigt, väldigt små dataprover, på samma sätt som människor gör, så kan det verkligen överbelasta inlärningsprocessen.

Gideon Lichfield: För mig väcker detta en ännu mer allmän fråga; vilket är det som gör människor inom AGI-området så säkra på att man kan producera intelligens i en maskin som representerar information digitalt, i form av ettor och nollor, när vi fortfarande vet så lite om hur den mänskliga hjärnan representerar information. Är det inte ett väldigt stort antagande att vi bara kan återskapa mänsklig intelligens i en digital maskin?

Will Douglas Heaven: Ja jag håller med. Trots den enorma komplexiteten hos några av de neurala nätverk vi ser idag när det gäller deras storlek och deras kopplingar, är vi storleksordningar borta från allt som matchar skalan på en hjärna, till och med en ganska grundläggande djurhjärna. . Så ja, det finns en enorm klyfta mellan den idén att vi kommer att kunna göra det, speciellt med den nuvarande tekniken, den nuvarande teknologin för djupinlärning.

Och naturligtvis, även om, som Karen beskrev tidigare, neurala nätverk är inspirerade av hjärnan, neuronerna neuroner i vår hjärna. Det är bara ett sätt att se på hjärnan. Jag menar, hjärnor är inte bara klumpar av nervceller. De har diskreta sektioner som är dedikerade till olika uppgifter.

Så återigen, den här idén att bara ett mycket stort neuralt nätverk kommer att uppnå allmän intelligens är återigen, lite av ett språng i tro eftersom kanske generell intelligens kommer att kräva ett genombrott i hur dedikerade strukturer kommunicerar. Så det finns en annan klyfta i ni vet de som jagar det här målet.

Du vet, vissa tror att du bara kan skala upp, neurala nätverk. Andra människor tror att vi måste ta ett steg tillbaka från den typ av detaljer som finns i en individuell djupinlärningsalgoritm och titta på helheten. Faktiskt, du vet, kanske inte neurala nätverk är den bästa modellen av hjärnan och vi kan bygga bättre sådana, som tittar på hur olika delar av hjärnan kommunicerar med, du vet, summan är större än helheten .

Gideon Lichfield: Jag vill avsluta med en filosofisk fråga. Vi sa tidigare att även förespråkarna för AGI inte tror att det kommer att vara medvetet. Kan vi ens säga om det kommer att ha tankar? Kommer den att förstå sin egen existens i den mening som vi gör?

Will Douglas Heaven: I Alan Turings artikel från 1950 Can Machines Think, som till och med, du vet, det var när AI fortfarande bara var denna teoretiska idé, har vi inte ens tagit upp det som en sorts ingenjörsmässig möjlighet. Han ställde denna fråga: hur vet vi om en maskin kan tänka? Och i den tidningen tar han upp, ni vet, denna idé om medvetande. Kanske kommer några människor och säger att maskiner aldrig kan tänka eftersom vi aldrig kommer att kunna säga att maskiner kan tänka eftersom vi inte kommer att kunna säga att de är vid medvetande. Och han avfärdar liksom det genom att säga, ja, om du driver det argumentet så långt, då måste du säga samma sak om. Tja, de medmänniskor som du träffar varje dag, det finns inget ultimat sätt att jag kan säga att någon av er inte är vid medvetande. Du vet att det enda sättet jag skulle veta det är om jag upplevde att jag var du. Och du kommer till den punkt där kommunikationen går sönder och det är liksom en plats dit vi inte kan gå. Så det är ett sätt att avfärda den frågan. Jag menar, jag tror att medvetandefrågan kommer att finnas kvar för alltid. En dag tror jag att vi kommer att ha maskiner som fungerar som om de vore... de kunde tänka och du vet, kan härma människor så väl att vi lika gärna kan behandla dem som om de är medvetna, men om de faktiskt Det tror jag aldrig att vi kommer att få veta.

Gideon Lichfield: Karen, vad tycker du om medvetna maskiner?

Karen Hao: Jag menar, att bygga på vad Will sa är, typ, vet vi ens vilket medvetande. Och jag antar att jag skulle dra nytta av en professors arbete på Tufts faktiskt. Han närmar sig artificiell intelligens ur det artificiella livets perspektiv. Som hur replikerar du alla de olika sakerna?

Inte bara hjärnan, utan också som de elektriska pulserna eller de elektriska signalerna som vi använder i kroppen för att kommunicera och som också har intelligens. Om vi ​​i grunden kan återskapa varje liten sak, varje liten process i våra kroppar eller i ett djurs kropp så småningom, varför skulle då inte dessa varelser ha samma medvetande som vi har?

Will Douglas Heaven: Du vet att det pågår en underbar debatt just nu om hjärnorganoider, som är små klumpar av stamceller som är gjorda för att växa till neuroner och de kan till och med utveckla kopplingar och du ser i några av dem denna elektriska aktivitet. Och det finns olika laboratorier runt om i världen som studerar dessa små hjärnklumpar för att bättre förstå mänskliga hjärnsjukdomar. Men det pågår en riktigt intressant etisk debatt om, du vet, när uppstår den här elektriska aktiviteten? Möjligheten att dessa små ploppar i petriskålar är medvetna. Och det visar att vi inte har någon bra definition av medvetande, inte ens för våra egna hjärnor, än mindre för maskinella.

Karen Hao: Och vill tillägga, vi har inte heller riktigt någon bra definition av konstgjord. Så det lägger bara till, jag menar, om vi pratar om artificiell, allmän intelligens.

Vi har ingen bra definition av något av de tre orden som utgör den termen. Så att gå till den punkt som Will gjorde om dessa organoider som växte i petriskålar anses det vara konstgjort? Om inte, varför? Definierar vi artificiellt som saker som bara inte är gjorda av organiskt material? Det finns bara en massa tvetydigheter och definitioner kring alla de saker som vi pratar om, vilket gör medvetenhetsfrågan mycket komplicerad.

Will Douglas Heaven: Det gör dem också till roliga saker att prata om.

Gideon Lichfield: Det var allt för det här avsnittet av Deep Tech. Och det är också det sista avsnittet vi gör just nu. Vi arbetar med några andra ljudprojekt som vi hoppas kunna lansera under de kommande månaderna. Så håll utkik efter dem. Och om du inte redan har gjort det, bör du kolla in vår AI-podcast som heter In Machines We Trust, som kommer ut varannan vecka. Du kan hitta den var du än brukar lyssna på poddar.

Deep Tech är skriven och producerad av Anthony Green och redigerad av Jennifer Strong och Michael Reilly. Jag är Gideon Lichfield. Tack för att du lyssna.

Dölj