Waarom AI niet denkt, niet kan redeneren, niet intelligent is en nooit bewustzijn zal bereiken

Recente publieke uitspraken over AI suggereren dat Amerikanen moeite hebben met de implicaties van lineaire tijd. Dit is vreemd, aangezien het concept grotendeels Westers is en draait om de kloktijd die gebruikt wordt om de werkgelegenheid in het kapitalisme te coördineren. De conceptuele moeilijkheid betreft de volgorde, oftewel de planning van toekomstige acties. Maar het gaat ook over de winstverdeling. 100% van de kapitaalgoederen die in de Westerse economische productie worden gebruikt, is door arbeiders geproduceerd. Waarom behoort het eindproduct dan toe aan financiers in plaats van aan degenen die het hebben geproduceerd?

AI  Om een ​​fysieke metafoor te gebruiken: als ik 1) een auto koop, 2) hem op een klif afstuur, 3) een steen op het gaspedaal leg en 4) de versnellingsbak in de vooruitversnelling zet, zal de auto vooruit rijden en van de klif storten. Vraag: heb ik, door mijn handelingen, ervoor gezorgd dat de auto van de klif stortte? Of heeft de auto zichzelf van de klif ‘gereden’? Het antwoord hangt af van waar je je voorstelt dat mijn eigen handelingen zijn geëindigd. In feite heb ik een reeks gebeurtenissen bedacht en gecreëerd die, indien competent uitgevoerd, ertoe zouden leiden dat de auto van de klif stort. De auto is immers levenloos metaal en rubber zonder menselijke sturing.

Stel, ik ontwerp en start een algoritme van driehonderd stappen. Produceert het algoritme dan de output, of ik? Het onderscheid zit hem in intentie en proces. Mijn intentie stuurt het bedenken en creëren van het algoritme van driehonderd stappen. Maar het werk vanaf dat moment wordt uitgevoerd door het algoritme dat in een computeromgeving draait. Dus, het algoritme heeft het project niet bedacht. Dat heb ik gedaan. Het algoritme heeft het project niet gepland (de volgorde bepaald). Dat heb ik gedaan. Het algoritme heeft het probleem niet gecodeerd. Dat heb ik gedaan. Dus, wie heeft de output geproduceerd, ik of de machine?

Een vergelijkbaar conceptueel probleem doet zich voor bij beweringen dat machines ‘denken’. Fysiek gezien is AI een verzameling algoritmen die gehuisvest zijn in een grote computeromgeving. AI heeft zichzelf niet bedacht. Het werd bedacht, als ik me goed herinner, aan de Carnegie Mellon University in de jaren 70. AI heeft zichzelf niet gebouwd. Het werd met horten en stoten gebouwd door computerwetenschappers in de academische wereld en later in het bedrijfsleven. AI heeft zichzelf niet geprogrammeerd. Het werd geprogrammeerd door AI-ontwikkelaars. En de enorme fysieke infrastructuur waar AI van afhankelijk is, werd gebouwd door arbeiders. Het punt is: AI wordt volledig door mensen geproduceerd.

De vraag is dan hoe men zich kan voorstellen dat de output van AI meer vertegenwoordigt dan de menselijke inspanning die erin is gestoken om deze te creëren? Welk proces maakt de output van AI meer dan het product van algoritmen? Als het antwoord is dat er iets is dat dat doet, bent u dan bekend met sequentiële algoritmen? Dit is code die andere code organiseert om een ​​reeks stappen te volgen om een ​​taak te voltooien. Ik heb sequentiële algoritmen bedacht en gecodeerd die processen met meerdere stappen doorlopen vanuit één enkele set instructies. De output ziet eruit als redeneren. En het ís redeneren. Ik heb het gecodeerd. De modellen deden wat ik ze had geprogrammeerd.

Dus nogmaals, als een reeks stappen wordt bedacht, gepland en uitgevoerd door mensen op apparatuur die door mensen is gemaakt, op welk punt verschuift hun dimensie dan van levenloos naar levend? Of eenvoudiger gezegd, op welk punt begint een verzameling algoritmes in een computer te denken, te redeneren, intelligentie of bewustzijn te bezitten? De bewering dat een van deze eigenschappen AI beschrijft, is in feite een categoriefout. Is een steen die van een heuvel rolt, een beeld van zichzelf dat van de heuvel rolt, in plaats van dat hij wordt voortbewogen door onzichtbare fysieke krachten (zoals zwaartekracht)? Beweringen dat AI kan redeneren, komen dus voort uit onwetendheid of een misverstand over fundamentele fysische processen.

In de westerse wereld woedt al sinds het begin van de negentiende eeuw een debat over de vraag of fabrieksautomatisering het product van de fabrieksautomatisering voortbrengt, of dat de mensen die de fabriek automatiseerden de output produceerden. Enerzijds wekt automatisering de indruk dat het product zelf gegenereerd wordt. Anderzijds is het automatiseringsproces door mensen bedacht en zou het anders niet bestaan. Met de huidige mogelijkheid om het productieproces te ‘sequentiëren’ met behulp van algoritmen, is er een nieuwe abstractielaag aan dit debat toegevoegd.

Hoewel ik zelf ‘sequentiemodellen’ heb bedacht en geprogrammeerd, vinden de meesten die dat niet hebben gedaan het concept moeilijk te begrijpen. Deze modellen zijn instructies voor hoe een model ‘denkt’. Vraag: hoe kan een model ‘denken’ als het alleen maar instructies opvolgt? Antwoord: dat doet het niet. Het volgt alleen maar instructies. Wat voor AI-gebruikers op redeneren lijkt, is redeneren dat door menselijke programmeurs in het model is geprogrammeerd. Het lijkt op redeneren omdat de instructies die het opvolgt, beredeneerd zijn. Het zijn geschreven instructies die worden uitgevoerd. Niets meer.

De vraag is ook politiek van aard, omdat het antwoord bepaalt hoe het inkomen in het Westen wordt verdeeld. Als ‘kapitaal’ in de vorm van een geautomatiseerde fabriek de output produceert, behoren de opbrengsten dan toe aan het kapitaal, oftewel aan de kapitalist? Zonder de arbeiders die eerst de geautomatiseerde fabrieken creëren, zou er geen automatiseringsproces zijn. Het politieke antwoord was om een ​​einde te maken aan de aanspraken van arbeiders op dit product via loon. Terwijl arbeiders echter eenmalige betalingen (loon) ontvangen voor hun arbeid, strijkt de kapitalist de winst op zolang de arbeiders actief zijn.

Met AI komt deze vraag, in ieder geval conceptueel gezien, weer ter sprake. Hoe je AI ook wilt beschouwen, als een denkende machine of als een verzameling gerelateerde algoritmen, het is gebouwd door mensen. AI heeft zichzelf niet bedacht. Het is bedacht door mensen. Dit is een belangrijke aanwijzing voor hoe het werkt. AI is gebouwd door mensen, gedreven door hun wens om een ​​machine te creëren die menselijk denken simuleert. Het digitale domein is echter een gesloten systeem. Alle AI-kennis is via mensen tot stand gekomen. Binnen het Cartesiaanse kader van AI heeft AI geen directe toegang tot de wereld. Het is het spreekwoordelijke Cartesiaanse brein in een vat.

Een van de paradoxen in het debat over de aard van AI is dat AI-modellen zichzelf omschrijven als varianten op ‘woordorganisatoren en woordvolgordemakers’. Laten we even stilstaan ​​bij het woord ‘volgordemakers’. Een volgordemaker bepaalt en voert de volgorde uit van een proces dat uit meerdere stappen bestaat. Met de introductie van AI wordt een dergelijk proces in gang gezet. Woorden en zinnen worden geïdentificeerd en vergeleken met soortgelijke woorden en zinnen in trainingssets van de AI. Vervolgens worden modellen ingezet om de woorden en zinnen de door mensen bepaalde betekenis toe te kennen.

Het is belangrijk om te begrijpen dat noch de sequencer, noch het bredere AI-model de woorden en zinnen begrijpt waarop de actie wordt uitgevoerd. De betekenis van de woorden, de semantiek, wordt door mensen gecreëerd en opgeslagen in een geheugencache. Sequencing houdt hier in dat (door mensen gedefinieerde) betekenissen aan woorden worden gekoppeld om semantische context te bieden aan de woorden en zinnen die worden vergeleken. Om het duidelijk te stellen: AI ‘beslist’ niets. Het volgt algoritmische instructies. AI beslist niet wat te doen, noch hoe het te doen. Dat wordt door mensen voor haar uitgeschreven.

Analogie van AI met een wolkenkrabber in de Google AI-chatbot:

Einde van de uitvoer van de Google AI-chatbot—————————-

Het onderscheid zit hem in het programmeren van wiskundige modellen om een ​​reeks stappen in gang te zetten, versus het idee dat de modellen zelfstandig redeneren. Wat vaak ontbreekt in oppervlakkige analyses van AI, is het begrip van hoe groot en complex dit proces is. Ontwikkelaars bouwen al sinds de jaren 70 serieus aan een ‘denkende machine’. De infrastructuur die nodig is om AI te draaien, is vergelijkbaar met die van een moderne wolkenkrabber. De vraag die nog steeds onbeantwoord is, luidt: is AI de moeite waard? Is het een cruciale nieuwe technologie die de kosten, zoals algemeen wordt aangenomen, zal rechtvaardigen? Of is het een soms interessant speeltje waarvan de ecologische voetafdruk de planeet ten gronde zal richten?

Recent publieke discussies hebben de vraag opgeroepen hoe AI wiskundige problemen kan oplossen als het niet hoeft na te denken. Neem bijvoorbeeld het natuurkundige concept ‘arbeid’. Degenen die zich hierover buigen, stellen zich voor dat eenzame wiskundigen in kamers zitten en de oplossingen voor wiskundige puzzels uitwerken. Maar met onbeperkte rekenkracht kunnen optimalisatieprogramma’s met behulp van brute kracht elke denkbare iteratie van een probleem in seconden doorlopen. Wat AI-gebruikers niet zien, is de enorme infrastructuur die achter de schermen nodig is om tot een resultaat te komen.

Illustreert deze enorme rekenkracht niet de waarde van AI? Nee. Het gaat over de aard van technologie. Technologie wordt vaak verklaard doordat het voordelen biedt. Een andere verklaring is dat het simpelweg de manier verandert waarop mensen dingen doen. Enerzijds kunnen we nu snel lange afstanden afleggen met de auto in plaats van te lopen. Anderzijds zitten velen van ons tegenwoordig drie uur per dag in de file. Dus, zijn auto’s een voordeel? In sommige opzichten wel, in andere niet. Wat ze in ieder geval niet zijn, is een ondubbelzinnig voordeel, wat betekent dat de meningen daarover nog verdeeld zijn.

Afbeelding: het binnenwerk van de automaat uit de film Hugo. De mechanische verfijning van de nep-mensen is te zien in de tandwielen. De gedachte was dat fijnere tandwielen de automaten dichter bij de mens brachten. Dat de automaat achteraf gezien eerder een betere robot is dan een robot die dichter bij de mens staat, is een belangrijk inzicht voor het begrijpen van AI. AI is een digitale robot. Het staat niet dichter bij denken of redeneren dan een deurstopper. Bron: dickgeorgecreatives .

Als je westerlingen vraagt ​​of ze een machine willen die hen snel van de ene naar de andere plek brengt, zullen de meesten waarschijnlijk ja antwoorden. Maar als je ze vraagt ​​of ze drie uur per dag in de file willen zitten, zullen de meesten waarschijnlijk nee antwoorden. Dat laatste is echter een direct gevolg van het eerste. Zo werkt het kapitalisme. Ons wordt een voordeel aangeboden. In dit geval de mogelijkheid om snel van de ene naar de andere plek te reizen. Maar vrijwel direct daarna worden de sociale gevolgen van dat ‘voordeel’ een last die men zich niet had voorgesteld toen het voordeel werd aangeboden.

Momenteel maken veel Amerikanen zich zorgen dat AI kan denken. Dat het onze banen zal afpakken. Maar waar we ons eigenlijk zorgen over zouden moeten maken, is dat AI niet kan denken. Het is slechts een nieuwe stap in de de-skilling van de arbeidsmarkt. Bedenk eens: AI-kunst is kunsteloos. AI-denken is de verzamelde wijsheid van het Pentagon, samengeperst door het AEI (American Enterprise Institute). Elke AI-query verhoogt de uitstoot van broeikasgassen tot een niveau dat fataal is voor de mensheid. En AI-oplossingen zijn afgezaagde schijnoplossingen zoals koolstofafvang. Alle voorgestelde oplossingen zullen de problemen waarschijnlijk alleen maar verergeren.

Hoewel AI-gebruikers denken dat ‘denken’ de AI-resultaten oplevert, wordt er in werkelijkheid arbeid verricht. Arbeid is hier vergelijkbaar met het concept van paardenkracht, de ruwe omrekening van de trekkracht van paarden naar de kracht die een verbrandingsmotor produceert. Denk aan de eenzame wiskundige die zit te denken. Stel je nu voor dat je een AI-programma draait dat qua capaciteit gelijk staat aan 10.000 mensen die een miljoen jaar lang werken. Je zou denken dat er in zo’n scenario veel complexe vragen beantwoord zouden kunnen worden.

Google Gemini AI-output

Einde van de AI-uitvoer van Google Gemini——————

Als 10.000 mensen een miljoen jaar lang zouden werken, zou dat de grootste onderneming in de menselijke geschiedenis zijn. En aangezien mensen een eindige levensduur hebben, is dit gedachte-experiment volledig conceptueel. Bovendien gebruikt AI niet de methoden van wiskundigen. In plaats van een metaforische boom in een bos te isoleren op basis van zijn eigenschappen (de wiskundige), kapt AI elke andere boom in het bos om te verklaren dat de overgebleven boom de oplossing is (optimalisatie).

De methodologie van AI vertegenwoordigt een andere manier om wiskundige problemen op te lossen, die wellicht interessant is voor een handjevol wiskundigen, maar die gepaard gaat met rekenkosten die vergelijkbaar zijn met een maanlanding. Als 10.000 mensen daadwerkelijk de taak zouden krijgen om wiskundige problemen op te lossen, zouden vragen rijzen over handelingsvrijheid en of dit wel een goede besteding van maatschappelijke middelen is. Alleen door de kwestie van milieu- en maatschappelijke kosten te verhullen of te negeren, wordt beweerd dat AI waarde toevoegt die verder gaat dan winst voor een select groepje insiders.

Het vermogen om in een microseconde een miljard permutaties uit te voeren, maakt AI tot een zeer krachtig instrument. Maar hoeveel beter is een wereld waarin AI een miljard permutaties in een microseconde kan uitvoeren dan dezelfde wereld zonder AI? Die vraag vereist een maatschappelijk antwoord, en dat antwoord moet voortkomen uit een helder en volledig begrip van de maatschappelijke kosten van AI. Het is niet voldoende om te wijzen op de wiskundige problemen die opgelost zijn om de maatschappelijke investering in AI te rechtvaardigen. De vraag is: wat zou er nog meer bereikt kunnen worden met diezelfde middelen (opportuniteitskosten)?

AI loste de wiskundige problemen op door middel van een eliminatieproces. Nogmaals, zo werken wiskundigen niet. Waarom niet? Omdat AI gebruikmaakt van computertechnologie die mensen niet bezitten. Denk maar aan een auto: die brengt ons sneller van de ene plek naar de andere dan dat we kunnen lopen. Maar door de komst van de auto staan ​​we nu een aanzienlijk deel van onze wakkere uren in de file. AI kan met brute kracht bepaalde soorten vragen oplossen. Maar zijn dit wel echt vragen die beantwoord moeten worden? Of is het beantwoorden ervan een vorm van vermaak voor de massa?

Een ander verborgen aspect van het AI-proces is de operationalisering van taal. AI is bedacht vanuit de veronderstelling dat menselijk denken voortkomt uit syntaxis die wordt samengevoegd tot semantiek (vorm en betekenis). Maar operationalisering resulteert in een formele consolidatie van betekenis. Neem de term ‘democratie’. Deze term is wijdverbreid in het westerse discours in diverse contexten, bijvoorbeeld economische democratie. Maar om de term operationeel te maken, moet deze worden uitgekleed en gestabiliseerd.

Om misverstanden te voorkomen: dit is niet zo sentimenteel als het misschien klinkt. Neem bijvoorbeeld de term ‘christendom’. Volgens een recent onderzoek zijn er 45.000 christelijke denominaties. Wat betekent dit in de huidige context? Een operationele definitie van christendom als ‘zij die in Christus geloven’ elimineert 45.000 uiteenlopende meningen onder christenen over wat ‘geloven in Christus’ precies inhoudt. In politieke termen wordt zo 45.000 meningsverschillen weggevaagd om een ​​eenheid te claimen die aantoonbaar niet de werkelijkheid weerspiegelt.

Nogmaals, dit is geen muggenzifterij. Wie de betekenis van taal beheerst, beheerst de taal. In een voorbeeld uit de Zen-economie gebruiken economen iets dat ‘huishoudinkomen’ heet als maatstaf voor economisch welzijn. Hoewel dit intuïtief logisch klinkt, moet in de praktijk ‘huishouden’ worden gedefinieerd, moet ‘inkomen’ worden gedefinieerd, en moeten de termen worden gecombineerd tot ‘huishoudinkomen’. Het semantische probleem? Met tientallen concurrerende definities hebben mensen die exact dezelfde formulering ‘huishoudinkomen’ gebruiken, het vaak over wezenlijk verschillende concepten.

Wanneer een gebruiker een AI-zoekopdracht uitvoert naar ‘huishoudinkomen’, verwijst de AI naar de betekenis die door mensen is gecreëerd en opgeslagen in een semantische cache (opslaggebied). Maar omdat AI de zoekfuncties van internet vervangt, worden eerdere definities van algemeen gangbare woorden systematisch vervangen door vereenvoudigde (geoperationaliseerde) definities van AI. Deze vereenvoudiging creëert de indruk van een consensus over elk onderwerp, wat onjuist is. Taalkundige diversiteit wordt uit het discours geëlimineerd. Elk van deze verschillen vertegenwoordigt een wereldbeeld.

Een zin die ik steeds weer aanhaal omdat hij zoveel verklaart, is dat elk statistisch resultaat ongedaan gemaakt kan worden door de variabelen opnieuw te definiëren. Een geoperationaliseerde versie van het huishoudinkomen kan tegelijkertijd stijgen en dalen, afhankelijk van de definitie. Waarom? Omdat de definities hun werkingslogica bevatten. Is een huishouden een eengezinswoning, alle bewoners van een huis, of iets anders? Is inkomen looninkomen, al het geld dat een huishouden uit alle bronnen verdient, of iets anders? Naarmate de definities veranderen, veranderen ook de uitkomsten die erop gebaseerd zijn.

Wanneer ik technische definities door de geschiedenis heen heb onderzocht (bijvoorbeeld ‘nut’ in de economie), bleken de betekenissen die mensen die beweerden over hetzelfde onderwerp te schrijven hanteerden, onverenigbaar. In het geval van ‘nut’ werd de term weergegeven in wiskundige modellen, wat betekende dat men veronderstelde dat de term operationeel was, terwijl dat in werkelijkheid niet het geval was. Dit maakte de bewering dat economen wetenschappelijk te werk gingen ongeloofwaardig. Het doorvoeren van tegenstrijdige ideeën door een rigoureus logisch proces (wiskunde) maakt de ideeën niet minder tegenstrijdig.

In de modellen die ik heb gemaakt, is het proces dat de modellogica vertegenwoordigt, wiskundig beschreven. Anders gezegd: de logica van het model is ingebed in de code. In foutcorrectiemodellen zijn bijvoorbeeld de uitgangspunten van stationaire lokale gemiddelden (niet-stationair globaal gemiddelde) en gemiddelde-terugkerende processen ingebed. De volgorde waarin gebeurtenissen plaatsvinden, wordt op een vergelijkbare manier in de code verwerkt. Het punt is: als het lijkt alsof een model redeneert, komt dat doordat de mensen die het codeerden, redeneerden tijdens het coderen.

Nogmaals, bij wijze van analogie: wat AI-gebruikers zien, is de metaforische auto die van een klif stort. Wat ze niet zien, zijn de planning en acties achter de schermen die daartoe hebben geleid. Dus wanneer AI-gebruikers complexe output zien, denken ze dat ‘een simpele machine die woorden en zinnen telt’ dit niet had kunnen produceren. In feite maakt de machine die woorden en zinnen telt deel uit van een reeks gebeurtenissen (sequentie) die grotendeels onzichtbaar is voor AI-gebruikers. Dat ze de modellogica niet zien, betekent niet dat die niet bestaat.

En hier komt de clou: als je het AI-proces begrijpt, is er helemaal geen mysterie. Ik bleek in staat om wiskundige oplossingen te vinden voor een aantal van de grootste problemen waar AI mee te maken heeft gehad, met behulp van relatief simpele inzichten. Maar om de wiskunde te laten doen wat ik wil in deze context, is een bepaalde volgorde nodig. En die volgorde zorgde ervoor dat de wiskunde functioneerde zoals het hoort. Iemand die alleen naar de wiskunde kijkt, zou de context niet begrijpen. En met de juiste context vormen de kleinere oplossingen de basis voor de grotere oplossingen.

Ik heb geen idee of deze uitleg voor de lezers begrijpelijk is. De eenvoudigste manier voor mij om het proces te begrijpen, is door de stappen in chronologische volgorde te plaatsen. 1) AI is ontwikkeld door programmeurs. Het heeft zichzelf niet bedacht en ook niet gecreëerd. 2) Daarom is alles wat voortkomt uit AI het product van de mensen die het hebben gecreëerd. 3) Alle modelredeneringen vloeien voort uit de logica die door de AI-ontwikkelaars is ingebouwd. 4) Omdat AI werkt met algoritmische instructies, wordt de modellogica zichtbaar door de werking van het AI-model. Gebruikers zien de modeloutput, maar niet de algoritmische instructies.

Het ‘denken’ en ‘denken’ van AI zijn gemakkelijk te negeren. De vraag is: waar bevindt dit denken zich geografisch gezien binnen AI? AI heeft geen ‘brein’, het heeft geen locatie die je als een geest kunt aanwijzen. De output is het product van minstens een paar honderd modellen die samenwerken, oftewel een proces. En hoewel een volledig AI-model als een ‘brein’ kan worden beschouwd, is het geheugenproces van AI, voor zover dat er al is, wiskundig van aard. Het ontstaat uit de opeenvolging van woorden en zinnen, oftewel uit een proces vergelijkbaar met een auto die ‘zichzelf’ van een klif rijdt.

Maar de auto reed niet vanzelf van de klif af. Er was een reeks gebeurtenissen gepland en in gang gezet die ertoe leidde dat de auto van de klif stortte. De auto kocht zichzelf niet, stuurde zichzelf niet naar de klif, legde geen steen op het gaspedaal of zette de auto niet in de versnelling. De auto wordt beschouwd als levenloos. En toch, zonder dat er een mens achter het stuur zat, werd hij van de klif afgedreven. De meeste mensen die de situatie beoordelen, zouden concluderen dat ik de auto van de klif had geduwd door de reeks handelingen die daartoe waren ondernomen.

Iedereen die nog steeds denkt dat AI denkt, redeneert, intelligentie of bewustzijn bezit, zou zich eens moeten verdiepen in de modellogica en precies moeten uitleggen waar in dit proces algoritmische instructies een onafhankelijk denkproces worden. Dat sommigen de moeite niet hebben genomen om het te begrijpen, maakt het nog geen magie. En als je denkt dat het magie is, waar vind je dan vergelijkbare magie in industriële apparatuur? Zelfrijdende auto’s rijden niet vanzelf. Het zijn domme machines die algoritmische instructies volgen. Om deze theorie te testen, moet je ze loskoppelen van de algoritmes.