Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Liệu có Sự Thay Đổi Trong Các Khoa Học Nhận Thức?
Tóm tắt
Kể từ những năm 1950, khuôn khổ chi phối trong các khoa học nhận thức là chủ nghĩa nhận thức, nổi lên như một sự thay thế cho chủ nghĩa hành vi và nhìn nhận các quá trình nhận thức chủ yếu là những "tính toán" khác nhau tương tự như các tính toán được thực hiện bởi máy tính; không có sự khác biệt cơ bản nào so với một máy Turing phổ quát (TM). Mặc dù có những tiến bộ đáng kể trong phần cuối của thế kỷ 20 trong khuôn khổ của khuynh hướng này, nhiều người vẫn không hài lòng vì nó không thể giải thích đầy đủ một số đặc điểm của các quá trình nhận thức. Chủ nghĩa kết nối, nổi lên sau đó, mặc dù thừa nhận vai trò của các quá trình tính toán, nhưng coi chúng là dựa trên một mạng nơ-ron thay vì trên một TM, vì điều này cung cấp một mô hình tốt hơn về chức năng của não hơn so với các tính toán kiểu TM. Mạng nơ-ron, không giống như máy tính cổ điển, cho thấy khả năng phục hồi và tính linh hoạt đối với các vấn đề phát sinh trong thế giới thực, chẳng hạn như tiếng ồn đầu vào ngày càng tăng hoặc sự phong tỏa một phần của mạng. Chúng cũng phù hợp tốt cho các nhiệm vụ yêu cầu giải quyết song song nhiều ràng buộc mâu thuẫn. Dù vậy, phép ẩn dụ giữa hoạt động của não người và các mạng nơ-ron nhân tạo vẫn còn hạn chế, do sự khác biệt căn bản trong thiết kế và những khả năng liên quan của các hệ thống này. Song song với các khuôn khổ của chủ nghĩa nhận thức và chủ nghĩa kết nối, các ý tưởng khác đã phát triển, theo đó nhận thức là kết quả của các quá trình sinh học nghiêm ngặt liên quan đến sự tương tác của một sinh vật với môi trường bên ngoài. Những khái niệm này, đã trở nên ngày càng phổ biến trong những năm gần đây, đã hình thành trong các dòng khác nhau của cái gọi là chủ nghĩa thực hiện. Bài tổng quan này so sánh các tiên đề lý thuyết của chủ nghĩa nhận thức, chủ nghĩa kết nối, và chủ nghĩa thực hiện, cùng với các khuôn khổ của mã hóa dự đoán và nguyên tắc năng lượng tự do.
Từ khóa
#chủ nghĩa nhận thức #chủ nghĩa hành vi #tính toán máy tính #mạng nơ-ron #chủ nghĩa thực hiện #mã hóa dự đoánTài liệu tham khảo
Barlow, H. B., “The neuron doctrine in perception,” in: The Cognitive Neurosciences, Gazzaniga, M. (ed.), MIT Press, Boston (1994).
Bastos, A. M., Usrey, W. M., Adams, R. A., et al., “Canonical microcircuits for predictive coding,” Neuron, 76, 695–711 (2012).
Block, N. and Fodor, J., “What psychological states are not,” Philos. Rev., 81, 159–181 (1972).
Block, N., “Can the mind change the world?” in: Meaning and Method: Essays in Honor of Hilary Putnam, Boolos, G. (ed.), Cambridge University Press, Cambridge (1990).
Block, N., “Psychologism and Behaviorism,” Philosoph. Rev., 90, 5–43 (1981).
Broadbent, D. E., Perception and Communication, Pergamon Press, New York (1958).
Brooks, R. A., “Intelligence without representation,” Artif. Intell., 47, No. 1, 139–159 (1991).
Buckner, C. and Garson, J., “Connectionism,” in: The Stanford Encyclopedia of Philosophy, Zalta, E. N. (ed.), (2019), https://plato.stanford.edu/archives/fall2019/entries/connectionism/.
Calvo, G. F., “Connectionist semantics and the collateral information challenge,” Mind. Lang., 18, No. 1, 77–94 (2003).
Calvo, P. and Symons, J., The Architecture of Cognition: Rethinking Fodor and Pylyshyn’s Systematicity Challenge, MIT Press, Cambridge (2014).
Chalmers, D. J., The Conscious Mind, Oxford University Press (1996).
Chemero, A., Radical Embodied Cognitive Science, MIT Press, Cambridge, MA (2011).
Chomsky, N., “On certain formal properties of grammars,” Information and Control, 2, No. 2, 137– 167 (1959).
Church, A., “An unsolvable problem of elementary number theory,” Am. J. Math., 58, 345–363 (1936).
Clark, A. and Toribio, J., “Doing without representing,” Synthese, 101, No. 3, 401–434 (1994).
Clark, A., “Spreading the joy? Why the machinery of consciousness is (probably) still in the head,” Mind, 118, No. 472, 963–993 (2009).
Clark, A., “Whatever next? Predictive brains, situated agents, and the future of cognitive science,” Behav. Brain Sci., 36, No. 03, 181–204 (2013).
Clark, A., Associative Engines: Connectionism, Concepts, and Representational Change, MIT Press, Cambridge, MA (1993).
Cover, T. and Thomas, J., Elements of Information Theory, Wiley Hoboken (2006).
Davis, P., Information and the Nature of Reality, MIT Press, Cambridge, MA (2010).
Di Paolo, A. E., Rhohde, M., and De Jaegher, H., “Horizons for the enactive mind: Values, social interaction, and play,” in: Enaction: Toward a New Paradigm for Cognitive Science, Stewart, J. et al. (eds.), MIT Press, Cambridge, MA (2014).
Downey, A., “It just doesn’t feel right: OCD and the ‘scaling up’ problem,” Phenomenol. Cogn. Sci., 19, No. 4, 705–727 (2020).
Dretske, F., Knowledge and the Flow of Information, Blackwell, Oxford (1981).
Dreyfus, H., What Computers Still Can’t Do, MIT Press, Cambridge, MA (1992).
Elman, J., “Finding Structure in Time,” Cogn. Sci., 14, 179–211 (1990).
Figdor, C., “Semantic externalism and the mechanics of thought,” Minds Machines, 19, 1–24 (2009).
Fodor, J. A. and Pylyshyn, Z. W., “Connectionism and cognitive architecture: A critical analysis,” Cognition, 28, No. 1–2, 3–71 (1988).
Fodor, J. and Lepore, E., Holism: A Shopper’s Guide, Blackwell, Cambridge (1992).
Fodor, J. and McLaughlin, B. P., “Connectionism and the problem of systematicity: Why Smolensky’s solution doesn’t work,” Cognition, 35, No. 2, 183–204 (1990).
Fodor, J., “Methodological Solipsism considered as a research strategy in cognitive psychology,” Behav. Brain Sci., 3, 63–73 (1980).
Fodor, J., “Reply to Steven Pinker ‘So How Does the Mind Work?’,” Mind. Lang., 20, 25–32 (2005).
Fodor, J., and Concepts, Clarendon Press, Oxford (1998).
Fodor, J., The Language of Thought,Thomas, Y. Crowell, New York (1975).
Fodor, J., The Mind Doesn’t Work That Way, MIT Press, Cambridge, MA (2000).
Friston, K., Kilner, J., and Harrison, L., “A free energy principle for the brain,” J. Physiol. Paris, 100, No. 1–3, 70–87 (2006).
Gallagher, S. and Bower, M., “Making enactivism even more embodied,” Avant: Trends in Interdisciplinary Studies, 5, No. 2, 232–247 (2014).
Gallistel, C. R. and King, A., Memory and the Computational Brain, Wiley-Blackwell, Malden (2009).
Gibson, J. J., The Ecological Approach to Visual Perception, Houghton Mifflin, Boston (1979).
Gibson, J. J., The Senses Considered as Perceptual Systems, Houghton Mifflin, Boston (1966).
Gleick, J., The Information, Pantheon (2011).
Gödel, K., ”Über formal unentscheidbare Sätze der Principia Mathematica und verwandter Systeme, I,” Monatshefte Math. Phys., 38, 173–198 (1931).
Goodman, B. and Flaxman, S., “European Union regulations on algorithmic decision-making and a ‘right to explanation,’” AI Magaz., 38, No. 3, 50–57 (2017).
Graves, A., Wayne, G., and Danihelko, I., “Neural Turing machines,” arXiv preprint, arXiv, 1410.5401 (2014).
Heidegger, M., Being and Time, Translated by Macquarrie, J. and E. Robinson, E., Basil Blackwell, Oxford (1927/1962).
Helmholtz, H., von, Handbuch der Physiologischen Optik, Voss, Leipzig (1867).
Hilbert, D. and Ackermann, W., Principles of Mathematical Logic, AMS Chelsea Publishing, Providence, Rhode Island, USA (1950).
Horgan, T. E. and Tienson, J. L., “Cognitive systems as dynamic systems,” Topoi, 11, No. 1, 27–43 (1992).
Horgan, T. E. and Tienson, J., “Soft laws,” Midwest Stud. Philos., 15, 256–279 (1990).
Hutto, D. and Myin, E., Radical Enactivism: Basic Minds Without Content, MIT Press, Cambridge, MA (2012).
Kahneman, D. and Tversky, A., “Prospect theory: An analysis of decision under risk,” Econometrica, 47, 263–291 (1979).
Kazez, J., “Computationalism and the causal role of content,” Philisoph. Studies, 75, 231–260 (1995).
Kirchhoff, M. D. and Robertson, I., “Enactivism and predictive processing: A non-representational view,” Philosoph. Explor., 21, No. 2, 264–281 (2018).
Knyazev, G. G., “The encoding of meaning in cerebral activity,” Zh. Vyssh. Nerv. Deyat., 72, No. 6, 800–825, (2022).
Kogo, N. and Trengove, C., “Is predictive coding theory articulated enough to be testable?” Front. Comput. Neurosci., 9, 111 (2015).
Krotov, D. and Hopfield, J., “Unsupervised learning by competing hidden units,” Proc. Natl. Acad. Sci. USA, 116, 7723–7731 (2019).
Kwisthout, J. and van Rooij, I., “Computational resource demands of a predictive Bayesian brain,” Comput. Brain Behav., 3, No. 2, 174–188 (2019).
LeCun, Y., Bengio, Y., and Hinton, G., “Deep learning,” Nature, 521, 436–444 (2015).
Lloyd, S., Programming the Universe, Vintage (2007).
Lucas, J. R., “Minds, machines, and Gödel,” Philosophy, 36, 112–137 (1961).
Marblestone, A., Wayne, G., and Kording, K., “Toward an integration of deep learning and neuroscience,” Front. Comput. Neurosci., 10, 1–41 (2016).
Marr, D., Vision: A Computational Investigation into the Human Representation and Processing of Visual Information, W. H. Freeman, San Francisco (1982).
Maturana, H. R. and Varela, F. J., Autopoiesis and Cognition: the Realization of the Living, Kluwer, Dordrecht (1980).
McClelland, J. L. and Rumelhart, D. E., “An interactive activation model of context effects in letter perception: I. An account of basic findings,” Psychol. Rev., 88, No. 5, 375–407 (1981).
McCulloch, W. and Pitts, W., “A logical calculus of the ideas immanent in nervous activity,” Bull. Math. Biophys., 7, 115–133 (1943).
Merleau-Ponty, M., Phenomenology of Perception, Translated by Landes, D. A., Routledge, London (1945/2012).
Morales, J., Solovey, G., Maniscalco, B., et al., “Low attention impairs optimal incorporation of prior knowledge in perceptual decisions,” Atten. Percept. Psychophys., 77, 2021–2036 (2015).
Munz, P., Philosophical Darwinism: On the Origin of Knowledge by Means of Natural Selection, Routledge, London (2002).
Murphy, K., Machine Learning: A Probabilistic Perspective, MIT Press, Cambridge, MA (2012).
Nagel, E. and Newman, J. R., Gödel’s Proof, New York University Press, New York (1958).
Newell, A., Shaw, J. C., and Simon, H. A., “Elements of a theory of human problem solving,” Psychol. Rev., 65, No. 3, 151–166 (1958).
Nguyen, A., Yosinski, J., and Clune, J., “Deep neural networks are easily fooled: high confidence predictions for unrecognizable images,” in: Proc. 28th IEEE Conf. on Computer Vision and Pattern Recognition (CVPR 2015) (2015), pp. 427–436.
O’Regan, J. K., Why Red Doesn’t Sound Like a Bell. Explaining the Feel of Consciousness, Oxford University Press: Oxford (2011).
Orlandi, N., “Bayesian perception is ecological perception,” Philos. Topics, 44, 327–351 (2016).
Penrose, R., The Emperor’s New Mind: Concerning Computers, Minds and The Laws of Physics, Oxford University Press, UK (1989).
Pinker, S. and Prince, A., “On language and connectionism: analysis of a parallel distributed processing model of language acquisition,” Cognition, 28, No. 1–2, 73–193 (1988).
Pozzi, I., Bohté, S., and Roelfsema, P., “A biologically plausible learning rule for deep learning in the brain,” arXiv preprint, arXiv:1811.01768 (2019).
Putnam, H., “Psychophysical Predicates,” in: Art, Mind, and Religion, Capitan, W. and Merrill, D. (eds.), University of Pittsburgh Press, Pittsburgh (1967), pp. 429–440.
Rescorla, M. A., “Realist perspective on Bayesian cognitive science,” in: Inference and Consciousness, Chan, T. and Nes, A. (eds.), Routledge, London (2019).
Rohde, M., “The scientist as observing subject,” in: Enaction, Embodiment, Evolutionary Robotics: Simulation Models for a Post-Cognitivist Science of Mind, Atlantis Press (2010), p. 30.
Rowlands, M., The new Science of the Mind: From Extended Mind to Embodied Phenomenology, MIT Press, Cambridge (2010).
Rumelhart, D., Hinton, G., and Williams, R., “Learning representations by back-propagating errors,” Nature, 323, 533–536 (1986).
Rumelhart, D., McClelland, J., and the PDP Research Group, Parallel Distributed Processing, MIT Press, Cambridge (1986b), Vol. 1.
Sadler, M. and Regan, N., Game Changer: AlphaZero’s Groundbreaking Chess Strategies and the Promise of AI, New in Chess Alkmaar (2019).
Searle, J., “Can information theory explain consciousness?” The New York Review, January 10 issue (2013).
Searle, J., “Minds, Brains and Programs,” Behav. Brain Sci., 3, 417–457 (1980).
Seife, C., Decoding the Universe, Penguin (2007).
Shapiro, L. and Spaulding, S., “Embodied cognition,” in: The Stanford Encyclopedia of Philosophy, Zalta, E. M. (ed.) (2021), https://plato.stanford.edu/archives/win2021/entries/embodied-cognition/.
Shapiro, L., Embodied Cognition, Routledge, London (2019).
Silver, D., Hubert, T., Schrittwieser, J., et al., “A general reinforcement learning algorithm that masters chess, shogi, and Go through selfplay,” Science, 362, No. 6419, 1140–1144 (2018).
Sprevak, M., “Computation, individuation, and the received view on representation,” Stud. History Philos. Sci., 41, 260–270 (2010).
Sternberg, S., “Memory-scanning: Mental processes revealed by reaction- time experiments,” Am. Scientist, 57, No. 4, 421–457 (1969).
Thompson, E., Mind in Life: Biology, Phenomenology, and the Sciences of Mind, Harvard University Press, Cambridge, MA (2007).
Turing, A., “Computing Machinery and intelligence,” Mind, 49, 433–460 (1950).
Turing, A., “On computable numbers, with an application to the entscheidungsproblem,” Probl. London Math. Soc. Ser. 2, 42, 230–265 (1936).
Tversky, A. and Kahneman, D., “Extension versus intuitive reasoning: The conjunction fallacy in probability judgment,” Psychol. Rev., 90, 293–315 (1983).
Varela, F. J., Thompson, E., and Rosch, E., The Embodied Mind, MIT Press: Cambridge (1991).
Vedral, V., “Decoding Reality, Oxford University Press, UK (2010).
Von Glasersfeld, E., “Cognition, construction of knowledge and teaching,” Synthese, 80, No. 1, 121–140 (1989).
Ward, D., Silverman, D., and Villalobos, M., “Introduction: The varieties of enactivism,” Topoi, 36, No. 3, 365–375 (2017).
Wermter, S. and Sun R (eds.), Hybrid Neural Systems (Lecture Notes in Computer Science, 1778), Springer, Berlin, Heidelberg (2000).
Wheeler, J. A., “Information, physics, quantum: the search for links,” in: Proc. 3rd Int. Symp. on Foundations of Quantum Mechanics, Tokyo (1989), pp. 354–368.