INTELIGENȚA DIN PERSPECTIVA INFERENȚEI.

PROBLEMA ABDUCȚIEI PENTRU

INTELIGENȚA ARTIFICIALĂ GENERALĂ.

Tehnologia de astăzi este destul de avansată și este în stare să ne uimească în multe privințe. În
anumite aspecte foarte specifice, Inteligența Artificială (folosesc acest termen într-un sens larg, ca
un termen „umbrelă” pentru diferite tipuri și domenii de cercetare asociate cu IA) a furnizat
rezultate senzaționale, care ne fac să luăm în serios fenomenul perpetuării miturilor despre mașini
gânditoare (subiect abordat în articolul „Inteligența Artificială. Mit și realitate” – aici trimite o
referință bibliografica la propriul tău articol, cu datele bibliografice exacte). Trecem printr-o
perioadă în care acest tip de tehnologie revoluționează nu doar ceea ce facem, dar și înțelegerea a
ceea ce suntem. Predicțiile făcute de diverse produse artistice, mass-media sau de cercetători
renumiți cu privire la viitorul apropiat sau la cel relativ îndepărtat par de-a dreptul fantastice. De
exemplu, realizările actuale ale IA de tip slab (Deep Blue, Watson sau AlphaGo) pot genera
anumite asumpții cu privire la IA de tip general sau tare, care la rândul lor, pot masca anumite
bariere sau limitări pe care le are în momentul de față IA.

În articolul de față dorim să analizăm anumite limite ale IA, fapt care ar putea reduce din
optimismul exuberant al promotorilor unui viitor ultratehnologizat și care ne-ar așeza în cadrul unei
discuții despre realitatea prezentă. Dacă acum o jumătate de secol, când sistemele de IA erau cu
mult mai puțin impresionante decât ceea ce avem astăzi, cercetătorii priveau limitele ca fiind
temporare și cu siguranță rezolvabile, în zilele noastre omniprezenta experiență a realizărilor
sistemelor IA ne dă posibilitatea să testăm în timp real anumite lacune ale sistemelor bazate pe IA.
Acest fapt ne permite să afirmăm că, față de ceea ce se credea inițial, limitările lor țin de
fundamentele cunoașterii. Una dintre problemele care necesită o abordare fundamentală, dacă se
dorește perfecționarea tehnologiei IA, este problema inferenței. Eric J. Larson are dreptate atunci
când argumentează că, în acest moment, nu avem idei promițătoare care să ne poată ajuta să
programăm în mod eficient anumite tipuri de inferențe absolut necesare pentru ca IA să poată
realiza, la un nivel performant, sarcini specifice inteligenței umane generale. Larson conclude că
„Problema inferenței e centrală în dezbaterea despre inteligență artificială, fiindcă se referă direct
la inteligență, atât a oamenilor, cât și a mașinilor.” [p.12]. Ne vom concentra în mod specific pe
această problemă, fiind conștienți de existența altor probleme, la fel de importante, așa cum este și

Inferența către cea mai bună explicație (abducția).

Mai întâi, vom încerca să clarificăm înțelesul conceptului de inferență. Dicționarul

enciclopedic de filosofie, print-o definiție mai generală, afirmă că inferența este o operație a
spiritului prin care se conclude de la o idee la alta [p.247]. Cu alte cuvinte, inferența este un tip de
raționament care poate fi deductiv, în cazul în care concluzia este logic necesară (de exemplu
silogismul) sau inductiv, în cazul în care concluzia nu este decât probabilă. Unele lucrări tratează
inferența ca fiind sinonimă cu deducția, dar, din câte vedem, deducția este doar un anumit tip de
inferență. Deducția și inducția nu sunt singurele tipuri de inferențe. „Dicționarul de Filosofia
Cunoașterii” (volumul II), urmând o altă definiție generală a inferenței, ne oferă o explicație a unui
tip special de inferență către cea mai bună explicație și anume „o formă legitimă de raționament
nedeductiv, care asigură o alternativă atât la deducție, cât și la inducția enumerativă” [p.36-40].
Acest tip de inferență mai este numit și abducție. Forma unui argument abductiv sau a unei
inferențe către cea mai bună explicație poate fi reprezentată astfel:

1. Se întâmplă O.
2. Dacă s-ar fi întâmplat E, ne-am fi așteptat la O.

De aceea, este foarte posibil că

3. S-a întâmplat E.

Putem da un exemplu simplu pentru a ilustra această formă de argument. Dacă un vânător
experimentat vede niște urme de lup pe zăpadă, ar putea face o inferență că pe aici a trecut un lup,
deoarece din experiență știe că dacă un lup ar merge prin zăpadă am putea să ne așteptăm să lase
astfel de urme și nu altele, cum ar fi asemenea urmelor de urs sau vulpe. Viața noastră de zi cu zi
este plină de astfel de inferențe abductive. Facem aceasta permanent fără a depune un mare efort
intelectual. Mai mult decât atât, putem afirma că acest tip este dominant în multitudinea de
raționamente pe care le facem. Chiar dacă abducția este o formă legitimă de raționament, aceasta, ca
și în cazul deducției sau inducției, ar putea să ne ducă spre concluzii neadevărate, având în vedere
că ar putea exista nenumărate variante alternative pentru un anumit eveniment, de exemplu urmele
de lup pe zăpadă. Să zicem că un alt vânător a decis să facă glume pe seama prietenului său și
făcând un șablon cu urme de lup le-a întipărit în zăpadă. În acest caz inferența către cea mai bună
explicație despre un lup care a lăsat aceste urme ar fi greșită. Chiar dacă ipoteza cu vânătorul
glumeț ar putea fi adevărată, din perspectiva vânătorului experimentat este puțin probabilă,
deoarece urmele de lup sunt mai mici decât cele lăsate de om și pare imposibil ca pe zăpadă să fie
doar niște urme de lup, fără urme de om alături. Acest fapt ciudat ne provoacă să ne întrebăm cum e
posibil așa ceva. Dacă am lua în calcul că sunt urme de urs sau de un animal care are o urmă mai
mare decât urma unui om și vânătorul glumeț a încălțat aceste șabloane și a mers prin zăpadă fără să
lase urme de om alături, atunci ipoteza vânătorului glumeț este destul de plauzibilă. Așadar, o
inferență abductivă legitimă ne face să luăm în calcul un mare număr de factori care depind de acele
cunoștințe pe care le avem în acel moment. Cu cât cunoaștem mai multe lucruri despre ceva, să
zicem un motor cu ardere internă, cu atât suntem mai capabili să observăm mai multe detalii și să
facem inferențe legitime. Un mecanic specializat în motoare ar putea, folosind doar auzul, să
infereze despre probabilitatea unor anumite dereglări ale motorului, pe când cineva care nu știe
nimic despre motoare nu va fi în stare să facă aceleași inferențe. Cineva ar putea reproșa că nu toți
sunt vânători experimentați sau mecanici pricepuți, dar realitatea este că fiecare persoană posedă o
cantitate uriașă de cunoștințe generale pe baza cărora poate face diferite inferențe într-un anumit
domeniu al cunoașterii. De exemplu, din experiență cunoaștem cum arată o pisică și de ce ea este
diferită de un câine. Atunci când văd o pisică trag o concluzie într-un mod aproape instinctiv, fără a
sta prea mult pe gânduri. Dar, din alte observații făcute anterior aș mai putea trage o concluzie și
anume că, de fapt, această pisică este pisica preferată a vecinului meu, deoarece am văzut-o la el pe
balcon de multe ori. Faptul că acum pisica este afară și șchiopătează mă face să mă gândesc că, cel
mai probabil, pisica a căzut de la balcon, deoarece până acum nu am mai observat-o plimbându-se
pe afară. Aceste raționamente destul de simple chiar și pentru un copil, pot crea dificultăți
programelor cu IA și, în anumite cazuri, nu este deloc evident modul în care aceste dificultăți ar
putea fi depășite. Un program de recunoaștere a imaginilor folosește un volum imens de date și
algoritmi de tip deep learning pentru a învăța, de exemplu, să identifice pisicile în imagini.
Actualmente, aceste programe au o ajuns la performanțe apreciabile în identificarea și clasificarea
diferitor obiecte din imagini, dar pot fi ușor duse în eroare prin modificarea unui număr relativ mic
de pixeli și, astfel, pot realiza și clasificări greșite.

Nu vom insista în acest moment asupra detaliilor tehnice legate de modul concret în care astfel
de programe comit erori (limitele legate de calculabilitate vor constitui subiectul unui studiu
separat). De asemenea, nu vom dezvolta aici nici ideea că pentru vederea umană această modificare
minoră a pixelilor nu creează nici un fel de probleme în a clasifica în mod corect obiectul din
imagine.

Este important de menționat că, pe lângă vederea simplă (nu este necesar să avem conceptul
de pisică sau să ne gândim la ea pentru a vedea una) și vederea asociativă (pe lângă vedere
conectăm și facultățile minții care ne ajută să concludem că de fapt e o pisică și nu câine), oamenii
au și un o vedere deliberativă, în baza căreia fac anumite inferențe abductive (de exemplu, despre
soarta pisicii în realitatea înconjurătoare). Concluzia este că mașinile, chiar dacă au performanțe
impresionante în recunoașterea imaginilor, nu au nici cea mai mică idee despre viața reală a
obiectelor identificate. Ni s-ar putea reproșa că nici un om nu știe nimic despre viața reală a unei
persoane pe care o vede pentru prima dată. Este adevărat, dar, chiar și atunci când vede pe cineva
pentru prima dată, o ființă umană poate emite ipoteze plauzibile despre această persoană, bazând-se
pe observațiile făcute (de exemplu, cum este îmbrăcată, cum vorbește etc.). Inițial, aceste ipoteze
care pot fi adevărate sau false. Pe măsură ce acumulăm mai multe cunoștințe despre persoana în
cauză putem face inferențe din ce în ce mai precise. Acest lucru se întâmplă în viața noastră de
fiecare zi. Construim continuu inferențe, unele dintre ele chiar banale și, lucru demn de remarcat,
multe dintre aceste inferențe nu sunt ușor de transcris sub formă de algoritmi.

Rolul abducției în știință

Pe lângă inferențele uzuale menționate mai sus, putem vorbi de numeroase exemple de
inferențe din istoria științei. Unul dintre evenimentele remarcabile din istoria științei moderne este
revoluția copernicană, care a adus cu sine o schimbare de paradigmă, modelul geocentric fiind
înlocuit cu cel heliocentric. Astăzi, acest fapt istoric nu mai pare un lucru foarte important, deoarece
încă din primele clase un copil află că Pământul se învârte în jurul Soarelui. Dar la începutul sec. al
XVI-lea, când Copernic își promova ipoteza heliocentrică, o astfel de idee părea scandaloasă și
stârnea discuții aprinse. Pentru noi este interesant să înțelegem cum a ajuns Copernic să formuleze
această ipoteză când, dacă e să folosim termenii care se utilizează în programarea calculatoarelor,
majoritatea datelor de intrare păreau să dovedească exact contrariul și, astfel, să susțină sistemul
ptolemeic.

În primul rând, Copernic a avut nevoie de mult curaj pentru a putea reinterpreta o mare
cantitate de date acumulate de-a lungul secolelor. Copernic nu a abandonat total tot ceea ce se știa
până atunci. Din contra, observând complexitatea sistemului ptolemeic și studiind pe unii dintre
filosofii antici greci (Philolaos, Seleucus din Seleucia) care nu făceau parte din mainstream-ul
filosofilor citați în acele vremuri, Copernic a construit o inferență către cea mai simplă explicație,
inferență prin care a propus heliocentrismul drept un model capabil să înlocuiască geocentrismul.
Această inferență l-a ajutat să explice anumite fenomene astronomice într-un mod mai simplu și
logic, chiar dacă sistemul copernican nu era, la acea dată, nici complet și nici demonstrat. În cadrul
noului model, anumite fenomene au rămas, pentru moment, cu un semn de întrebare. Ceea ce vrem
să punctăm prin relatarea istoriei dezvoltării sistemul copernican este că oamenii de știință
înaintează permanent diferite ipoteze care, în acel moment, nu sunt dovedite, dar pe care, ulterior, le
supun diferitor teste pentru a fi confirmate sau infirmate. Acest lucru este absolut esențial pentru
dezvoltarea de mai departe a științei. (Poate știi vreo sursă pe care o putem cita despre Copernic ca
să o punem la bibliografie? -- Arthur Koestler, Lunaticii. Evolutia conceptiei despre Univers de la
Pitagora la Newton, Humanitas, 1995)

Încă o dată, înțelegem că în acest moment nu știm să proiectăm mașini capabile de un

comportament inteligent asemănător cu cel al ființei umane. Situația se complică și mai mult dacă
luăm în calcul faptul că multe ipoteze lansate de către oamenii de știință nu rezultă automat din
volumul imens de cunoștințe acumulate în timpul vieții (big data fiind un lucru esențial pentru
algoritmii de deep learning). Cantitatea de date nu conduce inevitabil la informații noi, iar oceanul
de informații actual nu produce de la sine cunoaștere. Uneori, marile descoperiri apar în mintea unui
savant brusc, sub forma unei inspirații. În „Noi, particula și lumea” (cap. 6 - „Viziunea realității și
realitatea viziunii” [p.114-136]) marele fizician român Basarab Nicolescu aduce multiple exemple
despre astfel de momente de iluminare care au împins știința înainte într-un mod neașteptat. Autorul
explică cît de complex poate fi actul creației științifice: „Este adevărat că un rezultat științific
parțial, tehnic, se obține în general prin dezvoltarea riguroasă a unui anumit formalism. Dar, în
marele joc al invenției științifice, focul arzător al imaginarului joacă adesea un loc predominant în
raport cu calculul imperturbabil al logicii științifice.” [p.114]. Greșita apropiere a inteligenței
umane de calculabilitate nu doar că simplifică conceptul de inteligență și conceptul de uman, dar
subminează însăși știința.

Renumitul logician austriac Kurt Gödel, în 1931, la vârsta de numai 25 de ani, a publicat
demonstrațiile a două teoreme de logică matematică, numite și teoreme de incompletitudine, prilej
cu care a pus în evidență limitările sistemelor matematice formale. În prima sa teoremă, Gödel arată
că într-un sistem formal minimal (care conține aritmetica) există anumite propoziții care sunt
adevărate, dar care nu pot fi demonstrate în cadrul sistemului. Concluziile acestei teoreme au
implicații filosofice importante care, raportate la subiectul inteligenței artificiale, arată
imposibilitatea formalizării complete a gândirii umane. Gödel scoate în evidență un aspect
spectaculos: demonstrabilitatea și adevărul nu sunt unul și același lucru. Aceasta ne face să
concludem că, în mod fundamental, algoritmii folosiți de IA nu sunt în stare să producă toate
adevărurile posibile aplicând pur și simplu anumite reguli corecte din punct de vedere formal.
Teoremele gödeliene scot în evidență anumite limitări legate de sistemele formale și, implicit,
construiesc bariere pentru crearea unei Inteligențe Artificiale la nivelul inteligenței umane generale.
Mai mult, ca și în cazul lui Copernic, însuși faptul apariției acestor idei în mințile unor oameni
geniali ne arată că noi, oamenii, putem vedea ceva ce tehnologia nu este în stare să vadă. (ar fi bine
și aici de găsit vreo sursă bibliografică – Cristian Calude, „Adevărat, dar nedemonstrabil”, Editura
Științifică și Enciclopedică, 1988)

Limitările deducției în efortul elaborării mașinilor inteligente.

Ce este deducția? După „Dicționarul de filozofie și logică”, deducția este un „raționament

valid în care nu este posibil, fără a te contrazice, să asertezi premisele și să negi concluzia” [p.88].
Așadar, deducția ne spune că dacă premisele sunt adevărate, concluzia este și ea cu necesitate
adevărată. Acest tip de raționament, încă de la început, a fost pe larg exploatat de ceea ce numim IA
clasică, care, chiar dacă nu a adus mari progrese în atingerea inteligenței generale, a constituit o
etapă necesară în dezvoltarea IA. Programele de inteligență artificială bazate pe deducție sunt
capabile să producă demonstrații automate ale diferitor teoreme matematice. Folosind deducția, alte
programe sunt utilizate la fabricarea computerelor, la verificarea erorilor sau a contradicțiilor logice
în componentele hard și soft. În aceste condiții, este mai util să folosim deducția, decât sistemele
moderne care sunt bazate pe statistică și învățare. Așadar, deși nu putem renunța la folosirea
deducției în IA, trebuie să fim conștienți de limitele pe care le are atunci când ne propunem
realizarea nivelului de inteligență generală.

Prima problemă care poate fi menționată este legată de faptul că anumite concluzii pot fi
corecte din punct de vedere formal, dar, fiind bazate pe premise false, nu fac nimic altceva decât să
afirme un nonsens. Vom da un exemplu devenit deja clasic, începând cu varianta în care atât
premisele, cât și concluzia sunt adevărate:

Dacă plouă, străzile sunt ude.

Acum plouă.
Prin urmare străzile sunt ude.

Dacă modificăm una sau ambele premise astfel încât, raportate la realitate, acestea să fie false, vom
obține un argument valid din punct de vedere formal, dar care a cărui concluzie este, în mod
evident, falsă:

Dacă plouă, porcii zboară.

Plouă.
Prin urmare porcii zboară.

Acest exemplu ne arată că urmarea cu strictețe a anumitor reguli de logică nu duce cu necesitate la
obținerea adevărului. Mintea umană poate identifica ușor falsitatea primei premisă, deoarece
experiența ne spune că nu există nici un fel de legătură între ploaie și zborul porcilor și, ceea ce este
și mai evident, că porcii nu zboară. Argumentul de mai sus, deși este valid ca formă, este, de fapt, o
absurditate.

Un alt aspect de care trebuie să ținem cont are legătură de conceptul de relevanță. Dacă premisa
porcilor zburători este absurdă, atunci o propoziție care spune că dacă afară plouă, șeful merge la
serviciu este irelevantă. Cu siguranță, este posibil ca în anumite cazuri această premisă să fie
adevărată, de exemplu atunci când afară plouă și șeful într-adevăr merge la serviciu, dar nu există o
corelare cauzală directă între ploaie și mersul la serviciu. De obicei se întâmplă invers, ploaia ar
putea fi o cauză pentru a nu merge la serviciu. Am putea da multe exemple de astfel de construcții
logice deductive adevărate, dar irelevante.
 Să ne imaginăm un sistem de IA care conține o bază de date și reguli de aplicare bazate pe
deducție. Nu ar fi nimic greșit în aplicarea modelului, doar că programul nu înțelege nimic și nici nu
pricepe ce este relevant sau chiar absurd. Putem infera că mașinile care folosesc doar deducția sunt
oarbe în fața acestor erori și au nevoie de experți umani care să contribuie la buna lor funcționare.

Din exemplul de mai sus putem extrage o altă problemă a raționamentului deductiv și anume
problema cunoașterii. După spusele lui Larson „deducția nu aduce niciodată cunoaștere în plus”
[p.112]. Cunoștințele deja se găsesc în premisele enunțate. Deducția nu face nimic altceva decât să
confirme o concluzie. De fapt problema cunoașterii care este legată de simțul comun este o
problemă care necesită o atenție separată (așa-zisa problemă a găleții fără fund 1), cunoașterea fiind
un element-cheie în proiectarea unei inteligențe generale. Ceea ce dorim să punctăm aici este doar
ideea că inferențele deductive nu sunt nici pe departe suficiente pentru un progres însemnat al IA.

Ne poate cumva ajuta inducția?

Un lucru uimitor s-a întâmplat odată cu apariția internetului și, mai târziu, odată cu apariția
rețelelor de socializare: o explozie de date care devin disponibile pentru cercetătorii din domeniul
IA. Până atunci acest domeniu era divizat în două tabere care abordau problema IA diferit. Unii
încercau ca prin intermediul codificării anumitor reguli logice (deducția) să învețe computerele să
imite un comportament inteligent (IA clasică, cu sisteme expert sau simbolice), pe când adepții
celeilalte tabere încercau să reconstruiască însuși creierul uman (IA modernă, cu abordările legate
de rețele neuronale). Chiar dacă au aparut încă din deceniul 6 al secolului trecut, rețelele neuronale
nu au avut succesul demonstrat de IA clasică și în deceniul 8 al secolului XX întreg domeniul a
intrat în așa-numită „iarnă a Inteligenței Artificiale”. Au existat mai multe „ierni” în istoria IA.
Aceste perioade care sunt asociate cu o scădere a interesului și a finanțării proiectelor IA. Odată cu
volumul imens de date din internet și cu creșterea capacității de calcul, rețelele neuronale au devenit
dominante în cercetarea IA. Cantitatea masivă de date este necesară pentru a antrena rețelele
neuronale, făcându-le astfel capabile să recunoască anumite tipare. Antrenarea este posibilă pentru
că în zilele noastre cercetătorii au acces la baze de date cu un număr imens de exemple, iar puterea
de calcul actuală permite o analiză rapidă. Astfel, a apărut Inteligența Artificială bazată pe învățarea
profundă (deep learning), care realizează în acest moment performanțe spectaculoase. Cu toate
acestea, putem reitera că suntem încă departe de o tehnologie a inteligenței generale.

Dacă Inteligența Artificială clasică folosește deducția, atunci Inteligența Artificială modernă
este împinsă înainte de inducție. Inducția este o „metodă de raționament prin care se inferă o lege
generală sau un principiu din cazuri particulare observate” [p.179]. Dacă deducția nu aduce noi

1
Umplerea unei baze computaționale de cunoștințe cu enunțuri enumerate ca propoziții ale unui sistem logic este o
sarcină interminabilă (vezi Eric J. Larson, „Mitul inteligenței artificiale”, p. 175),
cunoștințe, atunci inducția, care folosește un mecanism de enumerare, poate obține noi cunoștințe
din experiență. Inducția este importantă și necesară nu doar pentru că ne oferă o organizare a lumii
prin ipoteze care pot fi categorisite, dar și pentru că ne dă posibilitatea să facem predicții. De
exemplu, din 100 de ciori observate în natură, toate sunt negre. Aici nu putem face o inferență
sigură deductivă (absolut toate ciorile din natură sunt negre), ci doar una probabilistă (majoritatea
ciorilor sunt negre, este probabil ca toate ciorile să fie negre). Pe lângă concluzie, putem face
predicția că, cel mai probabil, următoarea cioară pe care o voi întâlni va fi neagră. Gradul de
certitudine ar crește semnificativ dacă am spune că am observat nu o sută de ciori, ci o sută de mii.
Dar, datorită unei întâmplări neașteptate, am putea vedea o cioară albă – un fapt destul de rar în
natură, dar care face inferența noastră despre ciori nesigură. Schimbarea permanentă a lumii în care
trăim face ca o mare parte din cunoașterea obținută cu ajutorul inferențelor inductive să fie
provizorie. Chiar și ceea ce știm despre inteligență astăzi poate fi diferit mâine.

Cu toate acestea, nu am fi putut avea știința modernă dacă nu am fi folosit inducția. Important
este să nu uităm că nu putem genera cunoaștere științifică doar prin inducție, deoarece enumerarea
observațiilor nu este sigură. Așa cum am văzut, am putea infera despre ceva folosind inducția,
având premise adevărate, dar, cu toate acestea, am putea obține o concluzie falsă. Mulți autori
folosesc pentru exemplificare alegoria „curcanului lui Russell”. Un curcan fiind hrănit în fiecare zi,
la aceeași oră, ar putea trage concluzia că întotdeauna va fi așa. Surpriza poate veni de sărbători,
când curcanul va fi tăiat pentru masa festivă, realizând astfel că inferența lui inductivă s-a dovedit a
fi falsă. Pe lângă faptul că inducția e fragilă (oricând am putea avea noi date, diferite de cele din
trecut), uneori anumite lucruri pe care credem că le cunoaștem din experiență ne împiedică să
vedem noi orizonturi, deoarece suntem puternic ancorați în tipare tradiționale. Așadar, pentru a crea
o IA generală, ca și în cazul inferențelor deductive, inferențele inductive sunt necesare, dar nu și
suficiente.

Concluzii. Deducția, inducția și abducția

Făcând o analiză scurtă a acestor trei tipuri de inferență, putem conclude că toate sunt necesare
pentru inteligența generală. Dacă Inteligența Artificială clasică este bazată pe deducție, iar
Inteligența Artificială modernă pe inducție, atunci pentru o Inteligență Artificială generală (aflată,
actualmente, în stadiul de proiect) este nevoie de o teorie a abducției pe care experții încă nu știu
cum să o programeze în sisteme computaționale. Fiind tipuri inferențiale diferite, niciunul dintre ele
nu se poate transforma în altul. Nu ne putem aștepta că pe baza deducției sau a inducției să apară
abducția. Cu toate acestea, abducția este tipul de inferență care stă în centrul inteligenței generale.
Așa cum am arătat, noi, oamenii folosim permanent acest tip de inferență în viața de zi cu zi. Ceea
ce are ființa umană și ceea ce numim simț comun necesită o înțelegere complexă a lumii reale.
Înțelegerea chiar și a lucrurilor simple este esențială atât pentru un individ, cât și pentru societate în
ansamblul ei. Realitatea înconjurătoare este mult prea complexă pentru a încerca să o descriem prin
sisteme formale. Este aproape imposibil să acumulezi într-o mașină un număr suficient de
cunoștințe elementare care să-i permită îndeplinirea multiplelor sarcini din viața reală cu care noi,
oamenii, ne descurcăm foarte bine. Inteligența noastră se folosește de toate simțurile posibile,
inclusiv de intuiție, pentru a face inferențe despre ce se întâmplă în jurul nostru. Ray Kurzweil
afirmă că spre sfârșitul deceniului 3 al acestui secol vom avea o Inteligență Artificială capabilă să
atingă nivelul inteligenței umane generale și, apoi, un nivel al superinteligenței. În ciuda predicțiilor
făcute de vizionari și futuriști de genul lui Kurzweil, în acest moment nu știm cum am putea atinge
un astfel de nivel, deoarece pe lângă multe alte probleme, e nevoie de rezolvat problema inferenței.

Referințe bibliografice:

CLÉMENT E., DEMONQUE C., HANSEN-LØVE L., KAHN P., Filosofia de la A la Z. trad.:
Magdalena Cojocea-Mărculescu; Aurelian Cojocea. Bucureşti: ALL EDUCATIONAL, 1999. 576
p. ISBN 973-684-030-1