جستجوي پيشرفته | کتابخانه مجازی الفبا

مسئولیت اخلاقی یکی از حوزه‌های فلسفی با بیشترین اهمیت عملی در زندگی فردی و اجتماعی ماست. پی. اف. استراسون با تکیه بر همین وجه عملی استدلال کرد که نظریه‌ی فلسفی مسئولیت اخلاقی، از منازعات مربوط به اراده‌ی آزاد و تعین‌گرایی مستقل است و صرفاً براساس شرایط توجیه‌پذیری نگرش‌های واکنشی مانند نکوهش و ستایش است که بناشدنی است. این مقاله میزان موفقیت رویکردهای استراسونی را که به رویکرد نگرش‌های واکنشی معروف‌اند، بررسی می‌کند. به این منظور، با معرفی چالش‌های ناظر به پیشینه نشان خواهیم داد موفقیت این رویکرد در برابر این چالش‌ها، تنها با محدودکردن تصویر شهودی ما از نگرش‌های واکنشی ممکن است. برای اثبات این ادعا ابتدا نظریه‌ی اسکنلن را که خودسازگارترین نماینده‌ی رویکرد استراسونی محسوب می‌شود، معرفی می‌کنیم و سپس ابتنای نظریه‌ی او به محدودیتی غیرشهودی از نگرش‌های واکنشی را نشان خواهیم داد و از این طریق، حدود کمینه و بیشینه‌ی موفقیت رویکرد استراسونی را نتیجه خواهیم گرفت.

فاقد چکیده

در آزمایش ذهنی بازی تقلید، آلن تورینگ استدلال می کند که می توان هوشمندی را به هر ماشینی که این آزمون را با موفقیت از سر بگذراند، نسبت داد. یک اعتراض به معیار تورینگ، اعتراض لاولیس یا اعتراض مشهور به اراده آزاد است. این اعتراض بیان می کند ماشین هیچگاه نمی تواند فراتر از انتظار برنامه نویسش عمل کند و در نتیجه هیچ گاه هوشمند نخواهد بود. در این مقاله، ابتدا این اعتراض را در صورت کلاسیک آن بررسی و پاسخ تورینگ به آن را ارزیابی خواهیم کرد و نشان خواهیم داد، پاسخ وی به اعتراض لاولیس صحیح به نظر می رسد. در ادامه، این اعتراض را با توجه به مباحث چامسکی درباره وجه تولید زبانی که وی از آن تحت عنوان مسا له دکارت یاد می کند، بازتقریر م یکنیم. بازتقریر زبانی اعتراض لاولیس نشان می دهد که برخلاف نتیجه گیری اولیه تورینگ، برای رسیدن به ماشین هوشمند تنها پیشرفت های تکنولوژیک راهگشا نخواهد بود، چرا که هنوز پاسخ نظری روشنی به مسئلۀ دکارت وجود ندارد.

یکی از اهداف محققان هوش مصنوعی،‌ ساخت ماشین‌هایی است که توانایی فهم زبان انسان را داشته باشند. ولی این هدف با چالش‌هایی روبرو است. در این مقاله، نشان خواهیم داد یک چالش ممکن برای ساخت ماشینی که فهم زبانی داشته باشد، چالشی است که از مساله چارچوب در شکل معرفت‌شناسانه آن نشات گرفته است. مساله چارچوب به لحاظ فهم زبانی حداقل سه چالش عمده برای یک محقق هوش مصنوعی که قصد مدل‌سازی فهم زبانی برای ماشین دارد،‌ ایجاد می‌کند. یک، مشخص کردن این نکته که در یک موقعیت خاص چه چیزهایی از آن موقعیت، در فهم یک عبارت زبانی موثر است و چه چیزهایی ناموثر و یا نامربوط است. این نکته مبحث مرکزی مساله چارچوب در مسائل معرفت‌شناسانه است. دوم مساله سرعت فهمیدن است. چگونه می‌توان تقریبا به محض مواجه با یک عبارت زبانی معنای آن عبارت را فهمید، به عبارت دیگر چگونه می‌توان فهمی از یک عبارت را از دانش زبانی و دانش‌عمومی مان از جهان بدون هیچ تاخیر زمانی استنتاج کرد. و در نهایت چگونگی توانایی فهم لغات چند معنایی و مبهم در جملات است.