جون مكارثي والمنطق الرمزي: الجذور الفلسفية لبناء العقل الاصطناعي
Authors/Creators
Description
يهدف هذا البحث إلى إعادة قراءة إسهامات جون مكارثي، أحد أبرز مؤسسي الذكاء الاصطناعي، من خلال تحليل الأسس الفلسفية والتقنية التي استند إليها في بناء الذكاء الاصطناعي الرمزي. تنطلق الدراسة من خلفية تاريخية تبرز كيف شكّل مكارثي، عبر لغته البرمجية Lisp ومشروعه المبكر Advice Taker، رؤية متكاملة للذكاء تقوم على تمثيل المعرفة بواسطة المنطق الرمزي، ولا سيما المنطق الترتيبي. وتفترض الدراسة أن فهم هذا الإرث ضروري لإدراك المسار الحالي للذكاء الاصطناعي، خصوصًا بعد عودة الاهتمام بالمقاربات الهجينة التي تجمع بين الرمزي والعصبوني.
تعتمد الدراسة منهجًا تحليليًا-مقارنًا يجمع بين تحليل نصوص مكارثي الأساسية، واستعراض التطورات التاريخية للذكاء الاصطناعي، ومناقشة الانتقادات التي وُجّهت إلى الأنظمة الرمزية، ولا سيما مشكلات التعلّم، وتمثيل الحسّ المشترك، والقدرة على التوسع. كما تم توظيف تحليل فلسفي لتوضيح ارتباط مشروع مكارثي بالإرث العقلاني الديكارتي والليبنتزي، وبالنقاشات المعاصرة حول الشفافية والثقة والمسؤولية الأخلاقية في الأنظمة الذكية.
تشير النتائج إلى أن قصور الرمزية في التعامل مع البيانات الضخمة والتعلّم الذاتي أدى إلى تراجعها أمام المناهج العصبونية، إلا أن قيمتها لم تختفِ، إذ إنها تقدم أدوات حاسمة للاستدلال المنطقي، وتمثيل المعرفة، وتفسير القرارات. ويتضح أن الاتجاهات الحديثة في الذكاء العصبي–الرمزي تُعيد إحياء الكثير من أفكار مكارثي، خصوصًا ما يتعلق بضرورة دمج المنطق الرمزي مع قدرات التعلّم القائمة على الشبكات العصبية. كما تُظهر النتائج أن إرث مكارثي لا يزال أساسيًا في النقاشات الأخلاقية، ولا سيما ما يرتبط بالشفافية والمساءلة وحق المستخدم في تفسير القرار الآلي.
تخلص الدراسة إلى أن مكارثي أسهم في تأسيس بنية فكرية لا يزال الذكاء الاصطناعي الحديث يبني عليها. وتؤكد أن مستقبل الذكاء الاصطناعي يتطلب مقاربات هجينة تحافظ على التفسير المنطقي الذي دافع عنه مكارثي، مع توظيف قوة التعلّم العميق، بما يضمن بناء أنظمة أكثر مسؤولية وموثوقية وإنسانية.
Files
3-32.pdf
Files
(1.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:e5fec4c264690070a68cf53577f0010f
|
1.3 MB | Preview Download |
Additional details
References
- Brachman, R. J., & Levesque, H. J. (2004). Knowledge representation and reasoning. Morgan Kaufmann. Barocas, S., Hardt, M., & Narayanan, A. (2019). Fairness and machine learning. fairmlbook.org. Besold, T. R., d'Avila Garcez, A., & Bader, S. (2017). Neural-symbolic learning and reasoning: A survey and interpretation. arXiv preprint arXiv:1711.03902. Buchanan, B. G., & Shortliffe, E. H. (1984). Rule-based expert systems: The MYCIN experiments of the Stanford Heuristic Programming Project. Addison-Wesley. Crevier, D. (1993). AI: The tumultuous history of the search for artificial intelligence. Basic Books. Cottingham, J. (Trans.). (1996). Meditations on first philosophy. Cambridge University Press. (Original work published 1641). Davis, E., & Morgenstern, L. (2004). Introduction: Progress in formal commonsense reasoning. Artificial Intelligence, 153(1–2), 1–12. Dennett, D. (1991). Consciousness explained. Little, Brown. Dennett, D. (2003). Freedom evolves. Viking Press. De Raedt, L., Manhaeve, R., Dumancic, S., Kimmig, A., & Demeester, T. (2020). DeepProbLog: Neural probabilistic logic programming. Artificial Intelligence, 298, 103504. Descartes, R. (1641/1996). Meditations on first philosophy (J. Cottingham, Trans.). Cambridge University Press. Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv preprint arXiv:1702.08608. Floridi, L. (2014). The ethics of information. Oxford University Press. Floridi, L., & Cowls, J. (2019). A unified framework of five principles for AI in society. Harvard Data Science Review, 1(1). Friedman, B., & Nissenbaum, H. (1996). Bias in computer systems. ACM Transactions on Information Systems, 14(3), 330–347. Genesereth, M., & Nilsson, N. (1987). Logical foundations of artificial intelligence. Morgan Kaufmann. Gödel, K. (1931/1992). On formally undecidable propositions of Principia Mathematica and related systems (B. van Heijenoort, Ed.). Dover. Habermas, J. (1996). Between facts and norms. MIT Press. Leibniz, G. W. (1685/1989). Philosophical essays (R. Ariew & D. Garber, Eds.). Hackett Publishing. Marcus, G. (2020). The next decade in AI: Four steps towards robust artificial intelligence. arXiv preprint arXiv:2002.06177. McCarthy, J. (1959). Programs with common sense. In Proceedings of the Teddington Conference on the Mechanization of Thought Processes (pp. 75–91). Her Majesty's Stationery Office. McCarthy, J. (1960). Recursive functions of symbolic expressions and their computation by machine, part I. Communications of the ACM, 3(4), 184–195. McCarthy, J. (1980). Circumscription: A form of non-monotonic reasoning. Artificial Intelligence, 13(1–2), 27–39. McCarthy, J. (1996). Formalizing common sense: Papers by John McCarthy. Ablex Publishing. McCarthy, J. (2007). From here to human-level AI. Artificial Intelligence, 171(18), 1174–1182. McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine, 27(4), 12–14. McCorduck, P. (2004). Machines who think: A personal inquiry into the history and prospects of artificial intelligence. A. K. Peters, Ltd. Minsky, M. (1975). A framework for representing knowledge. In The psychology of computer vision (pp. 211–277). McGraw-Hill. Minsky, M., & Papert, S. (1969). Perceptrons. MIT Press. Mittelstadt, B., Russell, C., & Wachter, S. (2019). Explaining explanations in AI. In Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT*) (pp. 279–288). Nilsson, N. J. (1991). Logic and artificial intelligence. Artificial Intelligence, 47(1–3), 31–56. Nilsson, N. J. (2010). The quest for artificial intelligence: A history of ideas and achievements. Cambridge University Press. Pearl, J. (1988). Probabilistic reasoning in intelligent systems: Networks of plausible inference. Morgan Kaufmann. Polanyi, M. (1966). The tacit dimension. University of Chicago Press. Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257–286. Reiter, R. (1980). A logic for default reasoning. Artificial Intelligence, 13(1–2), 81–132. Richardson, M., & Domingos, P. (2006). Markov logic networks. Machine Learning, 62(1–2), 107–136. Searle, J. R. (1980). Minds, brains, and programs. Behavioral and Brain Sciences, 3(3), 417–424. Selbst, A. D., & Barocas, S. (2018). The intuitive appeal of explainable machines. Fordham Law Review, 87(3), 1085–1139. Tarski, A. (1956). Logic, semantics, metamathematics. Oxford University Press. Wachter, S., Mittelstadt, B., & Floridi, L. (2017). Why a right to explanation of automated decision-making does not exist in the GDPR. International Data Privacy Law, 7(2), 76–99.