ذهن مصنوعی تا کجا باید پیش برود تا بالاخره ما راضی شویم؟

بگذارید از ریشه‌شناسی واژه «هوش» آغاز کنیم که برگرفته از فعل لاتین اینتلیجره به معنای درک کردن یا دریافتن است. طبق این تعریف، اگر چیزی می‌فهمیم، پس هوش‌مندیم. اما سوال بزرگ چیستی آن «چیز» است؟ و این دقیقا همان مسئله‌ گریبان‌گیر پژوهشگران است. اگر شعر بسراییم، باهوشیم؟ اگر از ریاضیات سردربیاوریم، باهوشیم؟ اگر روابط انسان را درک کنیم، هوش‌مندیم؟

سردرگمی در باره‌ی خودِ مفهومِ هوش، تازگی ندارد و بیش از ۲۵۰۰ سال قدمت دارد. در یونان باستان، افلاطون هوش را بخشی جاودانه و عقلانی از روح انسان توصیف می‌کرد که حقیقت و منطق در آن بروز می‌کند. هوشِ حقیقی تواناییِ درکِ ماهیتِ واقعیِ هستی بود. این عالی‌ترین نوعِ دانش و بسیار برتر از عقاید یا باورها در باره‌ی جهان فیزیکی، طبق استدلال افلاطون از طریق آموزش پروردنی بود. این دانشِ والا با ایده‌آل‌های کامل و تغییرناپذیری پیوند دارد که اشیای جهان فیزیکی فقط گرته‌برداری ناقصی از آنها هستند. مثلا دایره‌ای که روی کاغذ ترسیم می‌کنیم، بازنماییِ ناقص مفهومِ کاملِ «دایره» است. بنابراین، رسیدن به هوشِ حقیقی کاری بسیار دشوار است.

ارسطو کمابیش همزمان با افلاطون، هوش را بخشی از روح می‌خواند که می‌شناسد، می‌فهمد و استدلال می‌کند. افلاطون معتقد بود هوش و دانش عمدتا ویژگی‌های ذاتی روح و از رهگذر آموزش قابل دسترسی‌اند اما ارسطو بر کسب دانش از رهگذر تجربه و آموزش تاکید داشت. از نظر ارسطو، ذهن در آغاز چون «لوحی سفید» است و دانش را از رهگذر تجربیات حسی به دست می‌آورد. یعنی جهان را از رهگذر مشاهده و تجربه می‌شناسیم و هوش بر جمع‌آوری و تحلیلِ نظام‌مندِ داده‌های تجربی استوار است. یعنی تجربیات حسی، داده‌های خام را برای پردازش در عقل فراهم می‌کند. پس هوش ظرفیتی پویا و چندوجهی است که از رهگذر تجربه حسی، تحلیل عقلانی و پرورشِ حکمتِ نظری و عملی پا می‌گیرد. ارسطو حکمت نظری یعنی آمیزه‌ دانش علمی و فهم فلسفی در جست‌وجوی حقیقت را عالی‌ترین شکل دانش می‌‌خواند یعنی دانستن برای خودِ دانستن. از سوی دیگر، حکمت عملی شامل توانایی تصمیم‌گیریِ درست در زندگی روزمره بود. این شکل از هوش با رفتار اخلاقی سروکار داشت. هم آموزش و هم تجربه که شامل مشاهده، تحلیل منطقی و تمرین اخلاقی است و حکمت نظری و عملی را پدید می‌آوردند.

بگذارید جلوتر بیاییم و به قرن نوزدهم پرش کنیم. فرانسیس گالتون، پسرخاله چارلز داروین، مفهوم هوش را با ابداع آزمون هوش، کاربردی کرد. گالتون توانایی ذهنیِ شرکت‌کنندگان را از رهگذر مجموعه‌ای از آزمون‌ها شامل تیزبینی، قدرتِ گیرایی و همچنین زمانِ واکنش به صداها می‌سنجید. طبق استدلال گالتون هرچه کسی سریع‌تر به صدایی واکنش نشان دهد، باید باهوش‌تر باشد.

به نظرش، هوش آن‌قدرها به میزانِ دانشِ ما ربط ندارد، بلکه به سرعت تشخیص محرک‌ها ربط دارد. یعنی هوش کمتر به استدلالِ بهتر و بیشتر به استدلالِ سریع‌تر ربط دارد. تعجبی ندارد که گالتون را بنیان‌گذار «روان‌سنجی» می‌خوانند. یعنی شاخه‌ای در روان‌شناسی که به اندازه‌گیری، آزمون و ارزیابی پدیده‌های روان‌شناختی می‌پردازد.

البته مشخص شد اندازه‌گیری‌های گالتون از هوش چندان موفق نبود. محدودیت‌های فنی و روش‌شناختی مشکل‌ساز بود و همچنین این واقعیت که گالتون عمدتا بر اندازه‌گیری‌های فیزیکی و حسی تمرکز داشت، نه بر فرآیندهای شناختی، که آزمون‌های بعدی بر آنها متمرکز شدند.

در ضمن، چارلز داروین، پسرخاله گالتون، قدرت‌های ذهنی را متشکل از قدرت حل مسئله، استدلال و ظرفیتِ تفکر انتزاعی می‌دانست که به شکلی قابل‌انتظار در طول زمان تکامل یافته بودند. به عقیده داروین، توسعه این توانایی‌های شناختی چه بسا تحت تتثیر نیاز به مهارت‌های عملی مانند ابزارسازی و زبان بوده باشد که برای بقا و همکاری اجتماعی مهم بودند. به نظر داروین، همه حیوانات هوش‌مند بودند، اما انسان‌ها صرفا به دلیل فرآیندهای سازگاریِ خود، باهوش‌تر بودند.

شاید افتخار ابداع نخستین آزمون بهره هوشی (IQ) باید نصیب فرانسیس گالتون می‌شد. اما معمولا این افتخار را به «آلفرد بینه» می‌دهند که در سال ۱۹۰۵، همراه «تئودور سایمون»، آزمون «بینه-سایمون» را برای اندازه‌گیری هوشِ دانش‌آموزان طراحی کردند.

از دانش‌آموزان مجموعه‌ای سوالاتی می‌پرسیدند. از کارهای بسیار ساده مانند تمیز دادن روز از شب، چپ از راست و نام بردن چهار رنگ مختلف تا کارهایی دشوارتر مثل از حفظ گفتنِ ماه‌های سال، نام بردن شصت واژه در سه دقیقه و ارائه تعریفی برای واژگان انتزاعی. سوالات متناسب با سطح سنی کودک بود.

بینه و سایمون می‌دانستند دانسته‌های نوجوانی ۱۳ ساله را نمی‌توان از کودکی ۳ ساله توقع داشت و در طراحی  سوالات متناسب با سن دانش‌آموز در آزمون IQ این نکته را رعایت می‌کردند. عملکرد در وظایف مختلف، برآوردی از «سن عقلی» حاصل می‌کرد و این سن عقلی را سپس بر سن واقعی (تقویمی) کودک تقسیم می‌کردند. نوجوانان ۱۳ ساله‌ای که از پسِ وظایفِ طراحی‌شده برای ۱۰ ساله‌ها برنمی‌آمدند، صرفا کم‌هوش‌تر از ۱۰ ساله‌هایی به شمار می‌آمدند که بر تمام وظایفِ محوله مسلط بودند.

ظاهرا آزمون بینه-سایمون در اندازه‌گیری هوش موفق بود. هرچه باشد، نسخه بازنگریسته‌ آن هنوز هم در ایالات متحده با نام آزمون «استنفورد-بینه» به کار می‌رود. «لوئیس ترمن»، روان‌شناس دانشگاه استنفورد، مقیاس هوش بینه-سایمون را در سال ۱۹۲۵ در اثر خود «اندازه‌گیری هوش: توضیحات و راهنمای کامل کاربرد مقیاس هوش بینه-سایمون در نسخه بازنگریسته و توسعه‌یافته استنفورد» در ایالات متحده به کار برد. آزمون استنفورد-بینه دارای سوالاتی از این دست است:«۴»

• اگر سه‌شنبه سومین روز ماه باشد، یکشنبه‌ پیش‌ِ رو چندمین روز ماه است؟

اسپیرمن در سال ۱۹۰۴ در بررسی توانایی ذهنی و به کارگیری تحلیل عاملی به شواهد وجود عاملی واحد در تحلیل خود دست یافت که آن را g نامید و نوعی «هوش عمومی» است. علاوه‌بر این هوش عمومی، شواهدی برای توانایی‌های خاصی یافت که منحصر به هر آزمونِ جداگانه بود. او این عامل را s نامید که مخفف هوش اختصاصی  بود و بدین ترتیب، اسپیرمن شالوده انواع مختلف هوش را بنا نهاد.

«ریموند کتل» با رد کردنِ نظریه‌ هوش عمومیِ اسپیرمن، به راه‌حلی میانه رسید و هفت توانایی ذهنیِ مستقل را پیشنهاد داد و خاطرنشان کرد شاید نباید از یک هوش، بلکه باید از دو نوع هوش سخن گفت: «هوش سیال» برای توانایی حل مسئله، استدلال و به خاطر سپردن، و «هوش متبلور برای دانش و توانایی‌هایی که در نتیجه‌ تجربه در محیط، از جمله محیط فرهنگی و مدرسه، کسب شده است. چنین دیدگاهی (دوباره) نشان می‌دهد با سطح مشخصی از هوش زاده نمی‌شویم، چه بسا جنبه‌ای از آن ارثی باشد و عوامل محیطی نیز نقش دارند. آنچه کتل به صریح‌ترین شکل بیان کرد، پیش‌تر در بحث‌های ارسطو در باره‌ هوش یافت می‌شد. اینکه هوش چندوجهی است و بخشی از آن را طبیعت (وراثت) و بخشی را تربیت (محیط) تعیین می‌کند.

ذهن‌های‌ مصنوعی چقدر هوش‌مندند؟

اگر هنوز دقیقا مشخص نکرده‌ایم هوش عمومی در انسان‌ها چه اجزایی دارد، نباید انتظار داشت که هوش مصنوعی هرگز بتواند بر AGI مسلط شود. به قول «جان فون نویمان»، محقق علوم رایانه: «اصرار دارید ماشین از انجام کارها برنمی‌آید. دقیقا بگویید چه کارهایی تا ماشینی بسازم که دقیقا همان کارها را انجام دهد.»«۱۲»

اما حتی اگر ماشین دقیقا همان کارها را انجام دهد، بعید است چنین موفقیتی هم بسیاری را قانع کند که ماشین بر AGI مسلط شده است. احتمالا وقتی «دقیقا همان کارها را انجام داد»، بی‌تردید وظیفه‌ای را پیش می‌کشیم که ماشین قادر به انجام آن نیست.

مشکل این است که وقتی پای هوش مصنوعی در میان است، مدام «خط پایان» را جابه‌جا می‌کنیم. گویی در حال دویدن در ماراتنی هستیم و به خط پایانِ استعاری که می‌رسیم همان جایی که بر هوشِ انسان‌گونه مسلط شده‌ایم کسی آن خط پایان را کمی جلوتر می‌برد و می‌گوید هنوز کاملا نرسیده‌ایم. خط پایانِ جدید هم که در تیررس قرار می‌گیرد، آماده می‌شویم دستاورد هوش مصنوعی خود را در پایان دادن به ماراتنِ «رسیدن به هوش انسانی» جشن بگیریم،

خط پایان دوباره کمی دورتر می‌شود. این پدیده را «اثر هوش مصنوعی» یا AI Effect نامیده‌اند. هرگاه وظیفه‌ای هوش‌مندانه طرح می‌کنیم که رایانه‌ها از عهده‌اش برمی‌آیند، هرگز جشن نمی‌گیریم  و آن را گواه رسیدن هوش مصنوعی به هوش طبیعی به شمار نمی‌آوریم. بلکه، فورا آماده می‌شویم تا با طرح وظیفه‌ای که هوش مصنوعی نمی‌تواند انجام دهد، آن گواه را بی‌اعتبار کنیم.

مثل این است که به کسی که با نمره عالی در آزمون هوش استنفورد-بینه یا WAIS قبول می‌شود، بعدا بگویند در واقع باهوش نیست، چون هنوز بر مهارت‌های موسیقی مسلط نشده است. و وقتی آزمون هوش را دوباره با موفقیت انجام داد و مهارت‌های موسیقیایی برجسته‌ای از خودش بروز داد، بگویند هنوز واقعا در آزمون هوش قبول نشده، چون وظیفه جدیدی به معیارهای باهوشی اضافه شده است مانند توانایی بازی فوتبال در سطح لیگ برتر، از حفظ خواندن شکسپیر یا همدردی با دیگران.

بگذاریید این نکته‌ مهم را ملموس‌تر کنیم. ۱۰‌ها سال، موفقیت در ساختنِ رایانه‌ای که بتواند شطرنج بازی کند، لبه‌ فناوری مهندسی دانش بود. بعید به نظر می‌رسید رایانه‌ها انسان را در شطرنج شکست دهند و اگر رایانه‌ای می‌توانست چنین کند، مدرکی برای هوش مصنوعیِ واقعی می‌بود. به هر حال طبق برآوردها شطرنج دست‌کم ۱۰ به توان ۱۲۰ حرکت بالقوه دارد. تصور کنید! این عدد نجومی، یعنی یک یک با ۱۲۰ صفر جلوی آن را به احترام «کلود شانون» (از سازمان‌دهندگان کارگاه دارتموث ۱۹۵۶ که اصطلاح هوش مصنوعی را ابداع کرد)، «عدد شانون» نامیده‌اند.

این عدد بسیار فراتر از تعداد شن‌های صحرای بزرگ آفریقاست. هر ذهنی، چه انسانی و چه مصنوعی که بتواند بازی شطرنج را با موفقیت انجام دهد، چه بسا هوش‌مند به شمار می‌آید. «آلن نیول» و «هرب سایمون» نیز که در کارگاه‌های دارتموث و MIT سال ۱۹۵۶ حضور داشتند وآغازگر انقلاب شناختی بودند، یک سال بعد پیش‌بینی کردند رایانه یک دهه بعد قهرمان شطرنج جهان را شکست خواهد داد.

پیش‌بینی آنها اندکی خطا داشت، یعنی حدود ۳۰ سال…! اما در سال ۱۹۹۷«دیپ بلو» ساخت IBM، رایانه شطرنج‌بازِ شگفت‌انگیز، با شکست دادن قهرمان شطرنج جهان «گری کاسپاروف»، به مرزهای هوش مصنوعی رسید. هوش مصنوعی بر شطرنج مسلط شده بود.

پژوهشگران هوش مصنوعی سر از پا نمی‌شناختند، اما طولی نکشید تا اینکه کسانی گفتند بازی شطرنج شاید پیچیده باشد، اما همچنان تعداد حالات متناهی و قوانینی بسیار مشخصی دارد. بنابراین، شکست دادن انسان در شطرنج تاثیرگذار بود اما چالش واقعی جای دیگری است. چالش واقعی یا همان خط پایانِ جدیدِ این ماراتنِ استعاری، این بود که رایانه بتواند از پسِ بازی‌هایی با محیط‌های کمتر ساختاریافته و احتمالات بیشتر بربیاید. نه بازی شطرنج، بلکه مسلط شدنِ رایانه بر بازی «گو» (Go) هوش‌مندیِ واقعی خواهد بود.

از بسیاری جهات، بازی «گو» بسیار پیچیده‌تر از شطرنج است. در شروع بازی، در مقایسه با ۲۰ حرکت ممکن در شروع شطرنج هر بازیکن ۳۶۱ حرکت ممکن دارد. تعداد حرکات ممکن را نیز ۱۰ به توان ۱۴۷ تخمین زده‌اند که به‌مراتب بزرگ‌تر است (شما را از خواندن عدد کامل با ۱۴۷ صفر معاف می‌کنم). نه تسلط بر شطرنج، بلکه تسلط بر «گو» مصداق هوش مصنوعیِ واقعی خواهد بود!

حدود ۲۰ سال پس از موفقیت دیپ بلو، هوش مصنوعی سرانجام به دستاوردی رسید که مدت‌ها غیرممکن به‌نظر می‌رسید. در سال ۲۰۱۶، «آلفاگو» (AlphaGo) گوگل، «لی سدول»، قهرمان جهانی بازی گو را شکست داد. هوش مصنوعی بر آخرین مرزِ هوش مسلط شده بود!

عملکرد هوش مصنوعی حقیقتا بسیار چشم‌گیر بود اما کسانی بلافاصله گفتند چالش واقعی برای هوش مصنوعی، حرکت از محیطی قطعی مانند بازی گو، به محیطِ دنیای واقعی است که قوانین از پیش تعریف نشده‌اند و اطلاعات ناقص است.

یک نمونه از دنیای واقعی که هوش انسانی را محک می‌زند، رانندگی خودرو است. نه تسلط بر شطرنج، نه تسلط بر گو، بلکه تسلط بر رانندگی خودرو مصداق هوش مصنوعیِ واقعی خواهد بود! و چنین شد. در سال ۲۰۱۶، نخستین وسایل نقلیه خودران عملیاتی شدند. «اتو پایلوت» تسلا و خودروهای خودران «ویمو» (Waymo) شروع به مسیریابی در مسیرهای ساده مانند بزرگراه کردند. هوش مصنوعی در این مرحله قطعا به خط پایان هوش انسانی رسیده بود!

عملکرد هوش مصنوعی بی‌تردید بسیار چشم‌گیر بود، اما طولی نکشید که کسانی گفتند این سامانه‌ها واقعا هوش‌مند نیستند. هوش‌مند به معنای هوش انسانی. هرچه باشد، این وسایل نقلیه توانستند در بزرگراه‌ها رانندگی کنند، اما ناتوان از مدیریتِ پیچیدگی‌های رانندگیِ شهری بودند که انسان‌ها در آن بسیار خوب عمل می‌کنند.

بزرگراه برای هوش مصنوعی نسبتا آسان است اما محیطی با عابران پیاده و چراغ‌های راهنمایی، با ماشین‌ها و دوچرخه‌هایی که از هر جهت می‌آیند؛ محک هوش خواهد بود! لازم نیست پیشگو باشیم تا پیش‌بینی کنیم چه اتفاقی بعد از آن افتاد. خودروهای خودران در حال حاضر در نقاط مختلف جهان به بهره‌برداری رسیدند؛ اما آیا هوش‌مندند؟ برخی می‌گویند خیر چون اشتباهاتی می‌کنند که انسان‌ها واقعا انجام نمی‌دهند! (این واقعیت را که این خودروهای خودران بسیار کمتر از انسان‌ها اشتباه می‌کنند، به‌راحتی فراموش می‌کنیم).

با تحولات کنونی در «هوش مصنوعی مولد» یعنی هوش مصنوعی که داستان، متن، تصویر و فیلم خلق می‌کند، خط پایانِ ماراتنِ هوش انسانی باز هم دورتر و دورتر می‌رود. این بار می‌گویند حقیقتا تاثیرگذار است که این سامانه‌‌ها می‌توانند خلاقیتی اساسی از خود بروز ‌‌دهند، اما واقعا مانند انسان خلاق نیستند، چرا که از داده‌های موجود استفاده می‌کنند و واقعا هوش‌مند نیستند، چون هوشیاری ندارند.

انگار درست مانند برخورد با هوش حیوانی، مدام هوش مصنوعی را با معیارهایی متفاوت از هوش انسانی می‌سنجیم. با کمال میل هوش بویایی، دیداری، شنیداری یا مسیریابی را که حیوانات در آنها سرآمدند نادیده می‌گیریم؛ ظاهرا به این دلیل که خودمان در آن نوع هوش‌ها مسلط نیستیم. بیشتر مهارت‌های شناختی که بر آنها مسلطیم، به تعریف ما از هوش راه می‌یابند. اما وقتی رایانه در همان مهارت‌های شناختی ما را شکست می‌دهد، فورا آماده‌ایم تا معیاری بتراشیم اما تنها معیاری که خودمان بر آن مسلطیم تا خط پایان هوش را جابه‌جا کنیم. شاید این فقدانِ اعتمادبه‌نفسی است که ما انسان‌ها سعی در پنهان کردنش داریم. لحظه‌ای که می‌بینیم حیوانات یا ماشین‌ها طبق تعریفِ خودِ ما از هوش، هوش‌مندتر می‌شوند، بلافاصله آن نتایجِ تاثیرگذار را رد و به‌راحتی خط پایان را جابه‌جا می‌کنیم.

ذهن‌ مصنوعی چگونه به مرزِ هوش‌مندی نزدیک می‌شود؟

ماشین‌ها در انجام وظایف هوش‌مندانه چقدر خوب عمل می‌کنند؟ «ماروین مینسکی»، یکی از چهره‌های کلیدیِ کارگاه‌های دارتموث و MITمی‌گوید:«کلا، نسبت به آنچه ذهنمان در آن بهترین عملکرد را دارد، کمترین آگاهی را داریم.» بیشتر از فرآیندهای ساده‌ای آگاهیم که مطلوب کار نمی‌کنند تا فرآیندهای پیچیده‌ای که بی‌نقص عمل می‌کنند.»

«هانس موراوک»، پژوهشگر هوش مصنوعی، نیز سخنی مشابه دارد: «نسبتا آسان است که کاری کنیم رایانه‌ها در آزمون‌های هوش یا بازی چکرز عملکردی در سطح بزرگ‌سالان داشته باشند، اما دشوار یا غیرممکن است که مهارت‌های کودکی یک‌ساله را در زمینه ادراک و تحرک به آنها بدهیم.»

این تصور که اغلب فکر می‌کنیم وظایف شناختی دشوارند و به توان رایانشی عظیم نیاز دارند، اشتباه از آب درآمده است. اما مشخص شده وظایف «حسی-حرکتی» و ادراکی دشوارند و نیازمند منابع رایانشی وسیعی هستند.

این تناقض، «ناسازه‌نمای موراوک» نام دارد. مهارت‌هایی که انگار به‌طور خودکار کسب می‌کنیم، برایمان طبیعی جلوه می‌کنند. مهارت‌هایی که بعدا کسب کرده‌ایم چه در روند تکامل و چه در طول عمر خود، نیازمند تلاش شناختی هستند. به پردازش زبان، انجام محاسبه یا استدلال برای حل مسائل فکر کنید. برای ذهن‌ مصنوعی، قضیه دقیقا برعکس است. ذهن‌ مصنوعی از نظر تکاملی، وظایفی را که برای ذهن انسان پیچیده است، زود فراگرفتند. با این حال، وظایفی که برای ذهن انسان ساده‌اند، هنوز توسط ذهن‌ مصنوعی کسب نشده‌اند.

درست است که هم مینسکی و هم موراوک این بیانات را در دهه ۱۹۸۰ مطرح کردند و این حوزه از آن زمان پیشرفت چشمگیری داشته است، اما در کل ناسازه‌نمای موراوک هنوز پابرجاست. در حالی که هوش مصنوعی بر بسیاری از مسائل پیچیده مسلط شده، ساده‌ترین مسائل همچنان چالش‌برانگیزند. البته این موضوع بستگی به این دارد که هوش را چگونه تعریف کنیم و آیا خط پایان را در همان جای قبلی نگه داریم یا خیر.

پرسش در باره‌ اینکه آیا هوش مصنوعی واقعا هوش‌مند است، مترادف با این پرسش است که آیا ماشین‌ها واقعا می‌توانند فکر کنند؟ و همان‌طور که دیدیم، درست همان‌گونه که پاسخ به پرسش اول بستگی به تعریف ما از «هوش» دارد، پاسخ به پرسش دوم نیز وابسته به تعریف ما از «فکر کردن» است. «آلن تورینگ»، ریاضی‌دان، پیشگام علوم رایانه و تحلیلگر رمز، دریافت که صرفا ارائه تعاریف برای واژه «فکر کردن» ما را چندان جلو نخواهد برد. تورینگ در سال ۱۹۵۰ گفت: «به‌جای تلاش برای چنین تعریفی، سوال دیگری را مطرح می‌کنم که ارتباط نزدیکی با آن دارد و کلماتی نسبتا بی‌ابهام دارد. شکل جدیدِ مسئله را می‌توان در قالب بازی‌ موسوم به «بازی تقلید» توصیف کرد.»

در بازیِ تقلید یک انسان، یک ماشین و یک بازجو (پرسشگر) حضور دارند. تصور کنیم جلوی صفحه نمایش رایانه نشسته‌ایم و می‌توانیم با موجودی در آن سوی خط ارتباط برقرار کنیم؛ انسان یا ماشین. می‌توانیم سوالات هوش‌مندانه یا احمقانه بپرسیم، بیانیه صادر کنیم، دستور بدهیم و از طرفِ مقابل خواه انسان  خواه رایانه پاسخ بگیریم، اما نمی‌دانیم کدام‌یک پاسخ می‌دهد. تورینگ می‌گوید اگر نتوانیم تشخیص دهیم طرف گفت‌وگوی ما رایانه است یا انسان، می‌توان نتیجه گرفت ماشین می‌تواند فکر کند. یعنی به عقیده تورینگ، وقتی رایانه از انسان غیرقابل‌تمایز باشد (و بنابراین انسان‌گونه باشد)، پس می‌تواند فکر کند. تورینگ در سال ۱۹۵۰ پیش‌بینی کرد:«معتقدم که در حدود پنجاه سال آینده، برنامه‌نویسیِ رایانه‌ای با ظرفیت حافظه حدود ۱۰ به توان ۹ امکان‌پذیر خواهد شد تا بتواند بازی تقلید را چنان خوب انجام دهد که بازجوی معمولی پس از پنج دقیقه پرسش ‌و پاسخ، بیش از هفتاد درصد شانسی برای تشخیص درست نداشته باشد.»

رایانه‌ها قدرتمندتر و قدرتمندتر شده‌اند، اما مشخص شد که قبول شدن رایانه در «آزمون تورینگ» بسیار سخت‌تر از آن بود که تورینگ پیش‌بینی می‌کرد. پس از پنجاه سال، یعنی زمانی که او پیش‌بینی کرده بود، هیچ رایانه‌ای حتی به قبول شدن در آزمون تورینگ نزدیک هم نشده بود. رقابتی سالانه در هوش مصنوعی که در اوایل دهه ۱۹۹۰ آغاز شد، شبیه به آزمون تورینگ بود. در این رقابت به برنامه‌ای رایانه‌ای که داوران «انسان‌گونه‌ترین» تشخیص دهند، جایزه می‌دهند. داور که انسان است، مثلا گزارشگر، نویسنده علمی یا استاد دانشگاه، با وارد کردن سوالاتی با رایانه یا انسان گفت‌وگو می‌کند و طرف مقابل پاسخی مکتوب می‌دهد. سپس داور ارزیابی می‌کند که آیا ماشین «هوش‌مند» است، می‌تواند «فکر کند» یا «انسان‌گونه» است یا خیر.

در سال ۲۰۱۲، در جشن صدمین سالگرد تولد آلن تورینگ، انگار رایانه‌ای در آزمون تورینگ قبول شد. «۱۸» در سال ۲۰۱۴، مصادف با شصتمین سالگرد درگذشت تورینگ، ۳۳ درصد از داوران متقاعد شدند که همان رایانه، انسان است. این برنامه در قالب شخصیت «اوژن گوستمان»، پسری ۱۳ ساله از اوکراین، ظاهر شده بود. منتقدان که حالا با عبورِ ظاهریِ هوش مصنوعی از خط پایان آماده بودند تا خط پایانِ استعاری را جابه‌جا کنند، استدلال کردند که برای رایانه آسان است در آزمون تورینگ قبول شود وقتی که در نقش یک نوجوان ۱۳ ساله ظاهر می‌شود. نوجوانان کم‌سن‌وسال چه بسا دانش عمومی بزرگسالان را نداشته باشند، بنابراین رایانه‌ای که نقش آن نوجوان را بازی می‌کند راحت‌تر می‌تواند داوران را فریب دهد و غلط‌های املایی هم مشکل بزرگی نیستند، زیرا زبان مادری اوژن انگلیسی نیست. آ‌نها همچنین گفتند آیا فریب دادن داور فقط در یک جلسه گپ‌نوشت آسان نیست؟ چالش واقعی خط پایانِ حقیقی فریب دادن داور در گفت‌وگوی کلامیِ واقعی خواهد بود. من در عجبم، آیا گفت‌وگوی کلامی هرگز مدرکی دال بر اینکه رایانه‌ها می‌توانند فکر کنند خواهد بود؟ پیش‌بینی می‌کنم وقتی سامانه‌‌ها این کار را هم انجام دهند، خط پایان دوباره کمی جلوتر برده خواهد شد (با این استدلال که آنها از حالات چهره، ژست‌ها یا هوشیاری برخوردار نیستند).

تمام دستاوردهای حاصل در هوش مصنوعی لزوما محدود به توان رایانشی هستند. حال سامانه‌ا‌ی رایانه‌ای با اندازه نامحدود را تصور کنید که هر چقدر انرژی لازم باشد مصرف می‌کند با سرعت پردازشی بسیار فراتر از تصور ما و مقادیر نامحدودی اطلاعات که برای رایانش خود دریافت می‌کند. چنین رایانه‌ای چه بسا نه هوش مصنوعی، بلکه «ابرهوش مصنوعی» باشد. چنین هوش مصنوعی‌هایی دارای سامانه‌ی استدلال عمومی خواهند بود و محدودیت‌های شناختیِ انسان‌ را ندارند. برخی می‌گویند هوش عمومی مصنوعی (AGI) مسیری بسیار محتمل به سوی هوشِ مافوق‌بشری است.

تصور کنیم هوش مصنوعی از قابلیت‌های شناختی انسان فراتر رود. بتواند پیچیده‌ترین مسائل را تقریبا بلافاصله حل کند و بتواند مفاهیم، زبان‌ها و سامانه‌‌های جدید را بسیار سریع‌تر از هر ذهنِ انسانی یا مصنوعیِ تاکنون، یاد بگیرد و بفهمد. قادر باشد دیدگاه‌های نو خلق کند و راه‌حل‌های خلاقانه‌ای ارائه دهد که هیچ ذهن انسانی یا مصنوعی هرگز به آن فکر نکرده باشد. محیط را بهتر از هر انسان یا رایانه‌ای که تاکنون بوده، درک و دریافت کند. چنین «فرا-هوشی» (Hyperintelligence) دیگر مدرکی خواهد بود که هوش مصنوعی واقعا هوش‌مند است اما پیش‌بینی می‌توان کرد چنین نخواهد شد.

بی‌شک زمانی که هوش مصنوعی به آن سطح از هوش برسد، تعریفِ انسان‌محورِ دیگری از هوش مصنوعی ارائه خواهیم کرد. بی‌شک جنبه‌ای در آن سامانه‌ خواهیم یافت که با انتظاراتِ انسان‌گونه‌ همخوانی کامل نداشته باشد. پای هوش مصنوعی که در میان باشد، وضعیت دقیقا مشابه همان نتیجه‌گیری ما برای هوش انسانی است:«هوش مصنوعی یعنی چیزی که آزمون‌های هوش می‌سنجند» اما فقط  منظورمان آزمون‌های انسانی است.