Comentário do tradutor: Uma entrevista detalhada com o lendário linguista, lançada há 6 anos, mas que não perdeu sua relevância. Noam Chomsky - "Einstein moderno", como é chamado, compartilha seus pensamentos sobre a estrutura do pensamento e da linguagem humanos, a inteligência artificial e o estado das ciências modernas. No outro dia, ele completou 90 anos, e esse parece ser um bom motivo para publicar um artigo. A entrevista é conduzida pelo jovem cientista cognitivo Jarden Katz, ele próprio é bem versado no assunto, então a conversa é muito informativa e as perguntas são tão interessantes quanto as respostas.
Se estabelecermos o objetivo de compilar uma lista das maiores e mais inatingíveis tarefas intelectuais, a tarefa de "decodificar" a nós mesmos - entender a estrutura interna de nossas mentes e cérebros e como a arquitetura desses elementos é codificada em nosso genoma - definitivamente estará no topo. No entanto, vários campos do conhecimento que assumiram essa tarefa, da filosofia e psicologia à ciência da computação e neurociência, são sobrecarregados por discordâncias sobre qual abordagem é a correta.
Em 1956, o cientista da computação John McCarthy cunhou o termo "inteligência artificial" (AI) para descrever a ciência do estudo da mente, reconstruindo seus principais atributos em um computador. A criação de um sistema racional usando equipamentos fabricados pelo homem, em vez de nossos próprios “equipamentos” na forma de células e tecidos, deveria se tornar uma ilustração do entendimento completo e envolver aplicações práticas na forma de dispositivos inteligentes ou até robôs.
No entanto, alguns colegas de McCarthy, de disciplinas relacionadas, estavam mais interessados em como a mente funciona em humanos e outros animais. Noam Chomsky e seus colegas trabalharam no que mais tarde ficou conhecido como ciência cognitiva - a descoberta das representações e regras mentais subjacentes às nossas habilidades cognitivas e mentais. Chomsky e seus colegas derrubaram o paradigma do behaviorismo então dominante, liderado pelo psicólogo de Harvard B.F. Skinner, no qual o comportamento dos animais foi reduzido a um conjunto simples de associações entre a ação e suas consequências na forma de incentivo ou punição. As falhas no trabalho de Skinner em psicologia ficaram conhecidas na revisão crítica de Chomsky de 1959 em seu livro "Verbal Behavior", em que Skinner tentou explicar as habilidades linguísticas usando princípios comportamentais.
A abordagem de Skinner enfatizou as associações entre o estímulo e a resposta do animal - uma abordagem facilmente apresentada como uma análise estatística empírica que prevê o futuro como uma conseqüência do passado. O conceito da linguagem de Chomsky, por outro lado, focava na complexidade das representações internas codificadas no genoma e seu desenvolvimento no processo de obtenção de dados em um sistema de computação complexo que não pode ser simplesmente decomposto em um conjunto de associações. O princípio comportamentalista das associações não poderia explicar a riqueza do conhecimento linguístico, nosso uso infinitamente criativo dele ou por que as crianças o dominam rapidamente a partir dos dados mínimos e barulhentos que o ambiente lhes fornece. A "competência linguística", como Chomsky a chamava, fazia parte do fundo genético do corpo, como o sistema visual, o sistema imunológico e o sistema cardiovascular, e devemos estudá-lo da mesma maneira que estudamos outros sistemas biológicos mais mundanos.
David Marr, especialista em neurociência, colega de Chomsky no MIT, definiu a abordagem geral para o estudo de sistemas biológicos complexos (como o cérebro) em seu aclamado livro Vision, e a análise de Chomsky da competência linguística se encaixa mais ou menos nessa abordagem. Segundo Marr, um sistema biológico complexo pode ser entendido em três níveis diferentes. O primeiro nível ("nível computacional") descreve a entrada e a saída do sistema, que determinam a tarefa executada pelo sistema. No caso do sistema visual, a entrada pode ser uma imagem projetada em nossa retina e a saída pode ser a identificação de objetos na imagem pelo cérebro. O segundo nível ("nível algorítmico") descreve o procedimento pelo qual a entrada é transformada em saída, ou seja: como a imagem em nossa retina pode ser processada para realizar a tarefa descrita no nível computacional. Finalmente, o terceiro nível ("nível de implementação") descreve como nosso equipamento biológico a partir das células executa o procedimento descrito no nível algorítmico.
A abordagem de Chomsky e Marr na compreensão de como nossa mente funciona está o mais longe possível do behaviorismo. Aqui, a ênfase está na estrutura interna do sistema, que permite concluir a tarefa, e não na associação externa entre o comportamento passado do sistema e o ambiente. O objetivo é penetrar na “caixa preta” que controla o sistema e descrever sua estrutura interna, aproximadamente como um programador pode explicar o princípio de um produto de software bem desenvolvido e também instruir como executá-lo em um computador doméstico.
Como agora é geralmente aceito, a história da ciência cognitiva é a história da abordagem óbvia de Chomsky sobre o paradigma comportamental de Skinner, um evento geralmente chamado de "revolução cognitiva", embora o próprio Chomsky negue esse nome. Isso reflete com precisão a situação na ciência cognitiva e na psicologia, mas em outras ciências relacionadas, o pensamento comportamental não vai morrer. Paradigmas experimentais comportamentais e explicações associativas do comportamento animal são usados por especialistas em neurociência, cujo objetivo é estudar a neurobiologia do comportamento de animais de laboratório, como roedores, onde a abordagem de três níveis proposta por Marr não é aplicável.
Em maio de 2011, em homenagem ao 150º aniversário do Instituto de Tecnologia de Massachusetts, ocorreu o Simpósio de Cérebros, Mentes e Máquinas, no qual os principais cientistas da computação, psicólogos e especialistas em neurociência se reuniram para discutir inteligência artificial passada e futura e sua relação com a neurociência.
Entendeu-se que a reunião inspiraria a todos com entusiasmo interdisciplinar por reviver a questão científica da qual cresceu todo o campo da inteligência artificial: como a mente funciona? Como nosso cérebro criou nossas habilidades cognitivas e pode ser incorporado em uma máquina?
Noam Chomsky, falando em um simpósio, não estava entusiasmado. Chomsky criticou o campo da IA por adotar uma abordagem semelhante ao behaviorismo apenas de uma forma mais moderna e complexa em termos computacionais. Chomsky disse que confiar em técnicas estatísticas para procurar padrões em grandes quantidades de dados dificilmente nos dará as idéias explicativas que esperamos da ciência. Para Chomsky, é improvável que a nova IA - focada no uso de técnicas de treinamento estatístico para processar melhor os dados e faça previsões com base neles - não nos dê conclusões gerais sobre a natureza das criaturas inteligentes ou como o pensamento funciona.
Essa crítica provocou a resposta detalhada de Chomsky do diretor de pesquisa do Google e do renomado pesquisador de IA Peter Norwig, que defendia o uso de modelos estatísticos e argumentava que os novos métodos de IA e a própria definição de progresso não estavam muito longe do que estava acontecendo. e em outras ciências.
Chomsky respondeu que uma abordagem estatística pode ter um valor prático, por exemplo, para um mecanismo de pesquisa útil, e é possível com computadores rápidos capazes de processar grandes quantidades de dados. Mas, do ponto de vista científico, Chomsky acredita, essa abordagem é inadequada ou, mais estritamente falando, superficial. Não ensinamos o computador a entender o que a frase "físico Sir Isaac Newton" significa, mesmo que consigamos construir um mecanismo de pesquisa que retorne resultados plausíveis para os usuários que inserem a frase ali.
Acontece que os biólogos também tentam entender os sistemas biológicos mais tradicionais. À medida que a revolução dos computadores abriu caminho para a análise de grandes quantidades de dados, sobre as quais repousa toda a "nova IA", a revolução do seqüenciamento na biologia moderna gerou campos floridos da genômica e da biologia de sistemas. O sequenciamento de alto rendimento - uma técnica pela qual milhões de moléculas de DNA podem ser lidas de maneira rápida e barata - transformou o sequenciamento do genoma de uma instalação cara de 10 anos para uma rotina acessível ao laboratório. Em vez de estudar dolorosamente genes isolados individuais, agora podemos observar o comportamento de um sistema de genes que atua nas células como um todo, em centenas, milhares de condições diferentes.
A revolução do seqüenciamento está apenas começando, e uma enorme quantidade de dados já foi recebida, trazendo consigo uma agitação e novas perspectivas promissoras para uma nova terapia e diagnóstico de doenças humanas. Por exemplo, quando um medicamento convencional não ajuda um determinado grupo de pessoas, a resposta pode estar no genoma dos pacientes e pode haver alguma peculiaridade que impede o funcionamento do medicamento. Quando dados suficientes foram coletados para comparar os recursos relevantes do genoma em tais pacientes e os grupos de controle são selecionados corretamente, novos medicamentos personalizados podem aparecer, levando-nos a algo como "medicamento personalizado". Entende-se que, se houver ferramentas estatísticas suficientemente desenvolvidas e um conjunto de dados suficientemente grande, sinais interessantes podem ser extraídos do ruído criado por sistemas biológicos grandes e pouco estudados.
O sucesso de fenômenos como a medicina personalizada e outras conseqüências da revolução do seqüenciamento e da abordagem biológica do sistema, baseia-se em nossa capacidade de trabalhar com o que Chomsky chama de "uma massa de dados brutos" - e isso coloca a biologia no centro da discussão, como a da psicologia e inteligência artificial desde a década de 1960.
A biologia de sistemas também encontrou ceticismo. O grande geneticista e laureado com o Nobel Sydney Brenner uma vez o definiu desta maneira: “baixa entrada, alto rendimento, nenhuma ciência de saída” (em uma tradução livre: “há muito barulho do nada e nenhuma ciência baseada nos resultados”). Brenner, contemporâneo de Chomsky, que também participou do simpósio de IA, era cético em relação à mesma coisa em relação a novas abordagens sistêmicas para entender o cérebro. Descrevendo uma abordagem sistêmica popular para o mapeamento de circuitos cerebrais, chamada Connectomics, que tenta descrever as conexões de todos os neurônios no cérebro (isto é, traça um diagrama de como algumas células nervosas estão conectadas a outras), Brenner chamou de "forma de insanidade".
Os ataques espirituosos de Brenner à biologia de sistemas e abordagens relacionadas em neurociência não estão muito longe das críticas de Chomsky à IA. Diferentemente da aparência, a biologia de sistemas e a inteligência artificial enfrentam a mesma tarefa fundamental de engenharia reversa, um sistema altamente complexo, cuja estrutura interna, na maioria das vezes, é um mistério. Sim, as tecnologias em evolução fornecem um grande corpo de dados relacionados ao sistema, dos quais apenas uma parte pode ser relevante. Deveríamos confiar em poderosas capacidades computacionais e abordagens estatísticas para isolar o sinal do ruído ou precisamos procurar princípios mais básicos subjacentes ao sistema e explicar sua essência? O desejo de coletar mais dados é imparável, embora nem sempre seja claro em que teoria esses dados se encaixam. Essas discussões levantam a antiga questão da filosofia da ciência: o que torna uma teoria ou explicação científica satisfatória? Como é determinado o sucesso na ciência?
Sentamos com Noam Chomsky em uma tarde de abril, em uma sala de bate-papo bastante bagunçada, escondidos em um canto secreto do edifício tonto do MIT Architecture Center de Frank Gehry. Eu queria entender melhor as críticas de Chomsky à inteligência artificial e por que, ele acredita, está se movendo na direção errada. Eu também queria estudar a aplicação dessa crítica a outros campos científicos, como a neurociência e a biologia de sistemas, que trabalham com a tarefa de sistemas complexos de engenharia reversa - e onde os cientistas geralmente se encontram no meio de um mar de dados em expansão infinita. Parte da motivação para a entrevista foi que agora Chomsky raramente é questionado sobre ciência. Os jornalistas estão muito interessados em sua opinião sobre a política externa dos Estados Unidos, Oriente Médio, governo Obama e outros tópicos comuns. Outro motivo foi que Chomsky pertence a esse tipo raro e especial de intelectuais que está morrendo rapidamente. Desde a publicação do famoso ensaio de Isaiah Berlin, tornou-se um passatempo favorito na comunidade acadêmica colocar vários pensadores e cientistas no continuum Fox-Hedgehog: o Hedgehog é meticuloso e especializado, visando um progresso consistente em uma estrutura claramente definida, contra a Fox, mais rápida, impulsionada por idéias um pensador que pula de uma pergunta para outra, ignorando o escopo da área de estudo e aplicando suas habilidades, quando aplicável. Chomsky é especial porque transforma essa distinção em um clichê antigo e desnecessário. A profundidade de Chomsky não vai ao invés de flexibilidade ou amplitude, embora na maioria das vezes ele tenha dedicado toda a sua carreira científica ao estudo de certos tópicos em linguística e ciências cognitivas. O trabalho de Chomsky teve um enorme impacto em várias áreas além da sua, incluindo ciência da computação e filosofia, e ele não se esquiva de discutir e criticar a influência dessas idéias, o que o torna especialmente interessante para entrevistas em humanos.
Eu quero começar com uma pergunta muito simples. No início da inteligência artificial, as pessoas estavam otimistas sobre o progresso nessa área, mas o resultado foi diferente. Por que a tarefa é tão difícil? Se você perguntar a especialistas no campo da neurociência por que é tão difícil entender o cérebro, eles lhe darão respostas intelectuais completamente insatisfatórias: existem bilhões de células no cérebro, e não podemos ler todas elas, e assim por diante.
Chomsky: Há algo nisso. Se você observar o desenvolvimento da ciência, todas as ciências são como um continuum, mas são divididas em áreas separadas. O maior progresso é alcançado pelas ciências, que estudam os sistemas mais simples. Tomemos, por exemplo, a física - há um tremendo progresso nela. Mas uma das razões é que os físicos têm uma vantagem que não é encontrada em nenhuma outra ciência. Se algo fica muito complicado, eles passam para outra pessoa.
Por exemplo, químicos?
Chomsky: Se a molécula é muito grande, você a entrega aos químicos. Químicos, se para eles a molécula é muito grande ou o sistema se torna muito grande, entregue-o aos biólogos. E se for grande demais para eles, eles o entregam a psicólogos e, no final, estão nas mãos de críticos literários, e assim por diante. Portanto, nem tudo o que é dito em neurociência está completamente errado.
Mas talvez - e do meu ponto de vista seja muito provável, embora especialistas no campo da neurociência não gostem disso - que a neurociência esteja no caminho errado nos últimos duzentos anos. Há um livro bastante novo do muito bom cientista cognitivo neurocientífico Randy Gallistel, junto com Adam King (
"Memória e o Cérebro Computacional: Por que a Ciência Cognitiva Transformará a Neurociência" - aprox. Transl. ), No qual ele afirma - na minha opinião, crível - que a neurociência desenvolvido, sendo levado pelo associacionismo e idéias relacionadas sobre como as pessoas e os animais são organizados. Como resultado, eles buscaram fenômenos com as propriedades da psicologia associativa.
Como está a ductilidade do hobb? [Teoria atribuída a Donald Hebb: associações entre um estímulo ambiental e uma resposta a um estímulo podem ser codificadas através do aprimoramento das conexões sinápticas entre neurônios - aprox. Ed.]Chomsky: Sim, como um fortalecimento das conexões sinápticas. Gallistel passou anos explicando: se você deseja estudar o cérebro corretamente, precisa, como Marr, primeiro perguntar quais tarefas ele executa. Portanto, ele está interessado principalmente em insetos. Então, se você quer estudar, digamos, a neurologia de uma formiga, você pergunta o que a formiga faz? Acontece que as formigas fazem coisas bastante complicadas, por exemplo, construindo um caminho. Veja as abelhas: sua navegação requer cálculos bastante complexos, incluindo a posição do sol, e assim por diante. Mas, em geral, com o que ele argumenta: se você usa as habilidades cognitivas de um animal ou de uma pessoa, esses são sistemas de computador. Então você precisa olhar para unidades atômicas computacionais. Pegue uma máquina de Turing, esta é a forma mais simples de cálculo, você precisa encontrar átomos com as propriedades “ler”, “escrever” e “endereço”. Essas são as unidades computacionais mínimas, então você precisa procurá-las no cérebro. Você nunca os encontrará se procurar por conexões sinápticas aumentadas ou propriedades de campo e assim por diante. Você precisa começar com isso: veja o que já está lá e o que funciona, e você pode vê-lo do nível mais alto da hierarquia de Marra.
Isso mesmo, mas a maioria dos neurocientistas não se senta e não descreve as entradas e conclusões do fenômeno que está estudando. Em vez disso, eles colocam o mouse em uma tarefa de aprendizado de laboratório, registram o maior número possível de neurônios ou descobrem se o gene X é necessário para aprender a tarefa, e assim por diante. Declarações desse tipo seguem suas experiências.
Chomsky: Isso é tão ...
Existe um erro conceitual nisso?Chomsky: Bem, você pode obter informações úteis. Mas se realmente houver algum tipo de computação envolvendo unidades atômicas, você não as encontrará dessa maneira. É sobre como procurar chaves perdidas sob outra lâmpada, apenas porque é mais leve (uma
referência a uma piada bem conhecida - aprox. Transl. ). Esta é uma questão discutível ... não acho que a posição de Gallistel tenha sido amplamente aceita pelos neurobiologistas, mas essa é uma posição plausível e foi feita no espírito da análise de Marr.
Então, quando você estuda a visão, ele diz, primeiro você pergunta que tipo de tarefas de computação o sistema resolve. Depois, você procura um algoritmo que possa fazer esses cálculos e, no final, procura mecanismos que permitam que o algoritmo funcione. Caso contrário, você nunca encontrará nada. Existem muitos exemplos disso, mesmo nas ciências exatas e, certamente, nas humanidades. As pessoas tentam aprender o que sabem estudar - quero dizer, parece razoável. Você tem certas técnicas experimentais, tem um certo nível de entendimento, está tentando forçar os limites do possível - e isso é bom, não critico, as pessoas fazem o que podem. Por outro lado, seria bom saber se você está se movendo na direção certa. E pode acontecer que, se tomarmos o ponto de vista de Marra-Gallistel como base,com quem eu simpatizo pessoalmente, você trabalhará de maneira diferente, buscará experiências de um tipo diferente.Então, penso que a idéia principal de Marr é, como você disse, encontrar unidades atômicas adequadas para descrever o problema, em outras palavras, um "nível de abstração" adequado, se assim posso dizer. E se dermos um exemplo concreto de uma nova área da neurociência chamada Connectomics, onde o objetivo é encontrar um diagrama das conexões de organismos muito complexos, encontrar as conexões de todos os neurônios no córtex do cérebro humano ou do mouse. Essa abordagem foi criticada por Sydney Brenner, que é fortemente [historicamente] um de seus autores. Os advogados dessa área não param e não perguntam se o diagrama de conexão é um nível adequado de abstração - talvez não seja. Qual a sua opinião sobre isso?Chomsky: Existem perguntas muito mais simples. Por exemplo, aqui no MIT, havia um programa interdisciplinar de nemátodes (lombriga - aprox. perev. ) C. elegans por várias décadas e, pelo que entendi, mesmo com essa pequena criatura que você conhece todo o diagrama de conexões, existemcerca de 800 neurônios ... eu acho que 300 ..Chomsky: ... enfim, você não sabe Você pode prever o que [C. nematode C. elegans] fará. Talvez você simplesmente não esteja olhando para lá.
Gostaria de passar para o tópico de várias metodologias em IA. Assim, a “Boa Velha Inteligência Artificial” (GOFAI), como é chamada agora, foi baseada em formalismos estritos na tradição de Gotlob Frege e Bertrand Russell, na lógica matemática, por exemplo, ou em seus ramos, como o raciocínio não monotônico e assim por diante. Do ponto de vista da história da ciência, é interessante que essas abordagens foram quase completamente excluídas do mainstream e foram substituídas - na área que hoje se chama de IA - por modelos estatísticos e de probabilidade. Minha pergunta é: como essa mudança pode ser explicada e isso é um passo na direção certa?Chomsky: Eu ouvi o relatório de Pat Winston sobre isso há um ano. Uma de suas teses foi: IA e robótica chegaram ao estágio em que você pode fazer coisas realmente úteis, então a atenção voltou-se para aplicações práticas e, portanto, questões científicas mais fundamentais foram deixadas de lado, simplesmente porque todos foram capturados pelo sucesso da tecnologia e realização de certos objetivos.Ou seja, tudo foi para a engenharia ...Chomsky: Sim, é ... E é bastante compreensível, mas, é claro, isso afasta as pessoas das perguntas iniciais. Devo admitir que fiquei muito cético em relação a essas obras originais ( no novo paradigma da IA probabilística - aprox. Transl. ). Pareceu-me que tudo era otimista demais, presumia-se que você seria capaz de alcançar resultados que exijam uma compreensão real dos sistemas pouco estudados e que não pode chegar à compreensão deles simplesmente jogando uma máquina complicada nela. Se você tentar fazer isso, chegará ao conceito de sucesso auto-reforçador, porque obtém o resultado, mas é muito diferente de como é feito nas ciências.Por exemplo, considere o caso limitante, suponha que alguém queira abolir a faculdade de física e faça o que é certo. E "certo" é pegar muitos vídeos sobre o que está acontecendo no mundo exterior e alimentá-los com o computador maior e mais rápido, gigabytes de dados e fazer uma análise estatística abrangente - bem, você sabe, métodos Bayesianos, para a frente e para trás. (Uma abordagem moderna para análise de dados baseada na teoria da probabilidade - ed.)- e você terá algo como uma previsão sobre o que acontecerá fora da sua janela no próximo segundo. De fato, você obterá uma previsão de qualidade muito melhor do que o departamento de física poderia fornecer. Bem, se o sucesso é determinado obtendo a aproximação mais próxima de uma massa de dados brutos caóticos, então, é claro, é uma maneira muito melhor do que os físicos costumam trabalhar - bem, você sabe, não há mais experimentos de pensamento em uma superfície perfeitamente plana e assim por diante . Mas você não terá o nível de entendimento que sempre foi o objetivo da ciência - apenas obterá uma aproximação do que está acontecendo.E isso é feito em todos os lugares. Suponha que você queira prever o tempo para amanhã. Uma maneira: OK, tenho probabilidades estatísticas a priori, por exemplo: há uma alta probabilidade de que amanhã o clima seja o mesmo de ontem em Cleveland, e eu o usarei, e a posição do sol terá mais influência, e eu também o uso, então , você fez várias dessas suposições, conduz um experimento, analisa os resultados várias vezes, corrige com métodos bayesianos e obtém as melhores probabilidades a priori. Você tem uma boa aproximação de como será o tempo amanhã. Mas não é isso que os meteorologistas fazem - eles só querem entender como isso funciona. E esses são apenas dois conceitos diferentes de o que é sucesso, o que é conquista. Na minha ciência, a ciência da linguagem, isso é o tempo todo. Na ciência cognitiva computacional,aplicado à linguagem, o conceito de sucesso é exatamente isso. Ou seja, você obtém mais e mais dados, melhores estatísticas, mais e mais aproximações precisas de um corpus gigantesco de texto, por exemplo, todos os arquivos do Wall Street Journal - mas você não aprende nada sobre o idioma.Uma abordagem completamente diferente, que eu acho certa, é tentar ver se você consegue entender quais são os princípios fundamentais e o relacionamento deles com as principais propriedades e ver que, na vida real, milhares de variáveis diferentes vão interferir com você - como o que está acontecendo agora para janela - e você lidará com eles mais tarde se desejar uma aproximação mais precisa. Estes são apenas dois conceitos diferentes da ciência. O segundo é o que a ciência tem sido desde o Galileu, é a ciência moderna. A aproximação de dados brutos é como uma nova abordagem, mas, na verdade, coisas semelhantes existiam no passado. Essa é uma nova abordagem, que é acelerada pela existência de grandes quantidades de memória, processamento muito rápido, que permite fazer coisas que antes não era possível fazer manualmente. Mas eu achoque ele lidera áreas como ciência cognitiva computacional na direção de talvez aplicabilidade prática ...… ?:... Mas isso se afasta da compreensão. Sim, talvez até engenharia eficaz. E isso, a propósito, é interessante o que aconteceu com a engenharia. Quando cheguei ao MIT nos anos 50, era uma universidade de engenharia. Havia uma faculdade muito boa de matemática e física, mas eram faculdades de serviço. Eles ensinaram aos engenheiros todos os tipos de truques que podiam usar. Na Faculdade de Engenharia Eletrônica, você estudou como montar um circuito. Mas da década de 1960 até hoje, tudo é completamente diferente. Não importa qual é a sua especialidade em engenharia - você estuda as mesmas ciências e matemática básicas. E então, talvez você aprenda um pouco sobre como aplicá-lo. Mas esta é uma abordagem completamente diferente. Isso se tornou possível, graças ao fato de que, pela primeira vez na história da humanidade, as ciências básicas, como a física, poderiam realmente ajudar os engenheiros. Tambémas tecnologias começaram a mudar muito rapidamente, por isso faz pouco sentido estudar as tecnologias atuais se elas mudarem de qualquer maneira em 10 anos. Portanto, você está estudando ciências fundamentais, que serão aplicáveis, não importa o que vem a seguir. E sobre a mesma coisa aconteceu na medicina. Então, no século passado, novamente, pela primeira vez, a biologia tinha algo a dizer na medicina prática e, portanto, você precisava conhecer a biologia se quisesse se tornar um médico, mais a tecnologia mudou. Eu acho que isso é uma transição de algo como arte que você está aprendendo a aplicar - uma analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência, que apareceu no New Time grosso modo, a ciência de Galileu.se depois de 10 anos eles ainda mudarem. Portanto, você está estudando ciências fundamentais, que serão aplicáveis, não importa o que vem a seguir. E sobre a mesma coisa aconteceu na medicina. Então, no século passado, novamente, pela primeira vez, a biologia tinha algo a dizer na medicina prática e, portanto, você tinha que conhecer a biologia se quisesse se tornar médico, mais a tecnologia mudava. Eu acho que isso é uma transição de algo como arte que você está aprendendo a aplicar - uma analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência, que apareceu no New Time grosso modo, a ciência de Galileu.se depois de 10 anos eles ainda mudarem. Portanto, você está estudando ciências fundamentais, que serão aplicáveis, não importa o que vem a seguir. E sobre a mesma coisa aconteceu na medicina. Então, no século passado, novamente, pela primeira vez, a biologia tinha algo a dizer na medicina prática e, portanto, você tinha que conhecer a biologia se quisesse se tornar médico, mais a tecnologia mudava. Eu acho que isso é uma transição de algo como arte que você está aprendendo a aplicar - a analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência que apareceu no Novo Tempo grosso modo, a ciência de Galileu.E sobre a mesma coisa aconteceu na medicina. Então, no século passado, novamente, pela primeira vez, a biologia tinha algo a dizer na medicina prática e, portanto, você tinha que conhecer a biologia se quisesse se tornar médico, mais a tecnologia mudava. Eu acho que isso é uma transição de algo como arte que você está aprendendo a aplicar - uma analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência, que apareceu no New Time grosso modo, a ciência de Galileu.E sobre a mesma coisa aconteceu na medicina. Então, no século passado, novamente, pela primeira vez, a biologia tinha algo a dizer na medicina prática e, portanto, você precisava conhecer a biologia se quisesse se tornar um médico, mais a tecnologia mudou. Eu acho que isso é uma transição de algo como arte que você está aprendendo a aplicar - a analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência que apareceu no Novo Tempo grosso modo, a ciência de Galileu.que você aprende a aplicar - a analogia será a comparação de dados que você não entende, de alguma maneira especial, e talvez até a construção de algo que funcione - a transição para a ciência, que apareceu nos tempos modernos, grosso modo, a ciência de Galileu.que você aprende a aplicar - a analogia será a comparação de dados que você não entende, de alguma forma especial, e talvez até a construção de algo que funcione - a transição para a ciência, que apareceu nos tempos modernos, grosso modo, a ciência do Galileo.Eu vejo. Voltando ao tópico da estatística bayesiana em modelos de linguagem e cognição. Houve uma disputa bem conhecida com a sua participação, você argumentou que não era razoável falar sobre a probabilidade de uma proposta em si ...Chomsky: ... Bem, você pode obter um número, se quiser, mas isso não significa nada.Isso não significa nada. Mas parece que existe uma maneira quase trivial de unificar o método probabilístico, assumindo que existam representações mentais internas muito ricas que consistem em regras e outras estruturas simbólicas, e o objetivo da teoria das probabilidades é simplesmente conectar os dados ruidosos e fragmentados de nosso mundo a esses dados internos. estruturas simbólicas. E você não precisa dizer nada sobre como essas estruturas apareceram - elas poderiam existir inicialmente ou alguns parâmetros são ajustados lá - depende do seu conceito. Mas a teoria da probabilidade funciona como uma cola entre dados barulhentos e representações mentais muito ricas.
Chomsky: Não há nada errado com a teoria da probabilidade, estatística.Mas ela tem um papel?Chomsky:Se você pode usá-lo, tudo bem. Mas a questão é: por que você está usando? Primeiro de tudo, a primeira pergunta, existe algum sentido em entender dados barulhentos? Faz sentido entender o que está acontecendo lá fora, fora da janela?Mas estamos sendo bombardeados com esses dados. Este é um dos exemplos de Marr: encontramos dados ruidosos constantemente, começando da nossa retina até ...Chomsky:Isso é verdade. Mas eis o que ele diz: vamos nos perguntar como o sistema biológico seleciona o importante do barulho. A retina não tenta duplicar o ruído recebido. Ela diz: agora vou procurar isso na imagem, isso e isso. É como aprender um idioma. Um bebê recém-nascido é cercado por uma variedade de ruídos, como William James, "bagunça desabrochando". Se um macaco, um gatinho, um pássaro, qualquer um, ouve esse barulho, é isso. No entanto, a criança de alguma maneira, imediatamente, reflexivamente, seleciona do ruído uma parte separada que está conectada ao idioma. Este é o primeiro passo.
Como ele faz isso? Não com a ajuda da análise estatística, porque o macaco também pode conduzir de forma rude a mesma análise probabilística. Ele está procurando uma coisa específica. Assim, psicolinguistas, neurolinguistas e outros estão tentando descobrir detalhes específicos do sistema de computação e da neuropsicologia, que de alguma forma estão relacionados a aspectos específicos do ambiente. Então, acontece que realmente existem circuitos neurais que respondem a certos tipos de ritmo, que se manifestam na linguagem - como o comprimento das sílabas e assim por diante. E há alguma evidência de que uma das primeiras coisas que o cérebro de uma criança está procurando são estruturas rítmicas. E, voltando a Gallistel e Marr, o cérebro tem um certo sistema de computação no interior, que diz: "OK, é isso que farei com essas coisas".e, após cerca de nove meses, a criança típica já excluiu - retirou de seu estoque - as diferenças fonéticas que não estão em seu próprio idioma. Ou seja, desde o início, qualquer criança está sintonizada em qualquer idioma. Mas, digamos, uma criança japonesa com nove meses de idade não reagirá à diferença entre "P" e "L", pois é eliminada. Portanto, o sistema considera muitas possibilidades e as limita apenas àquelas que fazem parte do idioma, e esse é um conjunto muito restrito. Você pode criar um anti-idioma no qual uma criança nunca pode fazer isso e muito mais. Por exemplo, se falamos sobre o lado mais abstrato da linguagem, no momento há fortes evidências de que uma coisa tão simples como uma ordem linear de palavras - o que vem depois do que - não está incluída nos sistemas de computação sintática e semântica,o dispositivo deles é simplesmente tal que eles não procuram uma ordem linear. Pode-se observar que conceitos mais abstratos de distância são usados principalmente e isso não é distância linear, e confirmação neurofisiológica pode ser encontrada para isso. Você pode dar um exemplo: se você criar uma linguagem artificial que use uma ordem linear de palavras, como, por exemplo, torne a sentença afirmativa negativa fazendo algo com a terceira palavra. As pessoas serão capazes de resolver esse quebra-cabeça, mas, aparentemente, as partes lingüísticas padrão do cérebro não são ativadas - outras zonas são ativadas, ou seja, as pessoas percebem isso como um quebra-cabeça e não como uma tarefa de linguagem. E para resolver isso, as pessoas precisam se esforçar mais ...que conceitos mais abstratos de distância são usados principalmente e isso não é distância linear, e confirmação neurofisiológica pode ser encontrada para isso. Você pode dar um exemplo: se você criar uma linguagem artificial que use uma ordem linear de palavras, como, por exemplo, torne a sentença afirmativa negativa fazendo algo com a terceira palavra. As pessoas serão capazes de resolver esse quebra-cabeça, mas, aparentemente, as partes lingüísticas padrão do cérebro não são ativadas - outras zonas são ativadas, ou seja, as pessoas percebem isso como um quebra-cabeça e não como uma tarefa de linguagem. E para resolver isso, as pessoas precisam se esforçar mais ...que conceitos mais abstratos de distância são usados principalmente e isso não é distância linear, e confirmação neurofisiológica pode ser encontrada para isso. Você pode dar um exemplo: se você criar uma linguagem artificial que use uma ordem linear de palavras, como, por exemplo, torne a sentença afirmativa negativa fazendo algo com a terceira palavra. As pessoas serão capazes de resolver esse quebra-cabeça, mas, aparentemente, as partes lingüísticas padrão do cérebro não são ativadas - outras zonas são ativadas, ou seja, as pessoas percebem isso como um quebra-cabeça e não como uma tarefa de linguagem. E para resolver isso, as pessoas precisam se esforçar mais ...você faz a sentença afirmativa negativa fazendo algo com a terceira palavra. As pessoas serão capazes de resolver esse quebra-cabeça, mas, aparentemente, as partes lingüísticas padrão do cérebro não são ativadas - outras zonas são ativadas, ou seja, as pessoas percebem isso como um quebra-cabeça e não como uma tarefa de linguagem. E para resolver isso, as pessoas precisam se esforçar mais ...você faz a sentença afirmativa negativa fazendo algo com a terceira palavra. As pessoas serão capazes de resolver esse quebra-cabeça, mas, aparentemente, as partes lingüísticas padrão do cérebro não são ativadas - outras zonas são ativadas, ou seja, as pessoas percebem isso como um quebra-cabeça e não como uma tarefa de linguagem. E para resolver isso, as pessoas precisam se esforçar mais ..., ...: …Isso é evidência e, é claro, você quer mais. Mas essa evidência é tal que você olha do lado da lingüística como as línguas funcionam - não existem coisas como a terceira palavra em uma frase. Vamos usar uma frase simples: “Instintivamente as águias nadam”, aqui “instintivamente” está conectado com a palavra “nadar”, e não com a palavra “voar”, mesmo que a frase inteira não faça sentido. E aqui está o efeito do reflexo. "Instintivamente", um advérbio, não procura o verbo mais próximo, procura um verbo estruturalmente mais adequado. Este é um cálculo muito mais complicado. Mas este é o único cálculo geralmente usado. A ordenação linear é um cálculo muito simples, mas nunca é usado. Existem muitas evidências como essa e muito poucas evidências neuro-linguísticas, mas elas apontam na mesma direção.E quando você olha estruturas mais complexas, descobre cada vez mais isso.Esta, na minha opinião, é uma maneira de entender como o sistema realmente funciona, como aconteceu com o sistema de visão no laboratório de Marr: pessoas como Shimon Ullman descobriram coisas notáveis como o princípio da rigidez. Você não conseguirá encontrar isso usando a análise de dados estatísticos. Ele descobriu isso com experimentos cuidadosamente planejados. Então você pesquisa em neurofisiologia e vê se consegue encontrar algo que realize esses cálculos. Penso o mesmo na linguagem, o mesmo no estudo de nossas habilidades aritméticas, no planejamento, em quase todos os lugares. Apenas trabalhando com dados brutos - você não chegará a lugar algum com isso, e o Galileo não teria chegado. De fato, voltando a isso, no século XVII, não era fácil para pessoas como Galileu e outros grandes cientistas convencer a National Science Foundation daqueles tempos - a saber, aristocratas - de queque o trabalho deles fazia sentido. Quero dizer: por que estudar como uma bola rola em um plano perfeitamente plano sem atrito, porque ela não existe. Por que não estudar como as flores crescem? Se você tentasse estudar o crescimento das flores naquela época, provavelmente obteria uma análise estatística de como tudo funciona.É importante lembrar que na ciência cognitiva ainda estamos na era pré-galileana, estamos apenas começando a fazer descobertas. E acho que algo pode ser aprendido com a história da ciência. Um dos principais experimentos da história da química em 1640, quando alguém provou, para o prazer de todo o mundo científico, até Newton, que a água pode ser transformada em matéria viva. Aqui está como eles fizeram isso - é claro, ninguém sabia nada sobre fotossíntese - eles pegaram um monte de terra e o aqueceram para que toda a água evaporasse. Pesou, inseriu um ramo de salgueiro e regou a água de cima, medindo o volume dessa água. Quando tudo estiver pronto e o salgueiro crescer, você novamente pega a terra e evapora a água - da mesma forma que antes. Assim, você mostrou que a água pode se transformar em carvalho ou qualquer outra coisa. Este é um experimento, e parece até verdade, mas você não sabe o que está procurando.E isso era desconhecido até Priestley descobrir que o ar é um componente do mundo, tem nitrogênio e assim por diante, e você aprendeu sobre a fotossíntese e assim por diante. Então você pode repetir o experimento e entender o que está acontecendo. Mas você pode facilmente ser levado na direção errada por um experimento que parece bem-sucedido, porque você não entende bem o que deve procurar. E você seguirá o caminho errado se tentar estudar o crescimento de árvores como esta: basta pegar uma série de dados sobre como as árvores crescem, alimentá-los com um computador poderoso, realizar uma análise estatística e obter uma aproximação do que aconteceu.Mas você pode facilmente ser levado na direção errada por um experimento que parece bem-sucedido, porque você não entende bem o que deve procurar. E você seguirá o caminho errado se tentar estudar o crescimento de árvores como esta: basta pegar uma série de dados sobre como as árvores crescem, alimentá-los com um computador poderoso, realizar uma análise estatística e obter uma aproximação do que aconteceu.Mas você pode facilmente ser levado na direção errada por um experimento que parece bem-sucedido, porque você não entende bem o que deve procurar. E você seguirá o caminho errado se tentar estudar o crescimento de árvores como esta: basta pegar uma série de dados sobre como as árvores crescem, alimentá-las com um computador poderoso, realizar uma análise estatística e obter uma aproximação do que aconteceu.Em biologia, você considera o trabalho de Mendel um exemplo bem-sucedido de como obter dados barulhentos - é importante que os números sejam numéricos - e pula para postular um objeto teórico ...Chomsky: ... E jogar fora uma enorme quantidade de dados que não funcionaram.... Mas depois de ver a correlação que fazia sentido, desenvolva uma teoria.Chomsky:Sim, ele fez tudo certo. Ele permitiu que a teoria gerisse dados. Havia também evidências que contradiziam a teoria, que foi mais ou menos descartada, você sabe - o que você geralmente não inclui no artigo. E ele, é claro, falou de coisas que ninguém conseguia encontrar, assim como era impossível encontrar unidades cuja existência ele provou. Mas sim, é assim que a ciência funciona. O mesmo acontece com a química. A química, antes da minha infância, não muito tempo atrás, era considerada a ciência da computação. Porque não pode ser reduzido à física. Portanto, essa é apenas uma maneira de calcular o resultado das experiências. O átomo de Bohr era tão percebido. Uma maneira de calcular o resultado de experimentos, mas isso não pode ser uma ciência real, porque não pode ser reduzida à física e, de repente, acabou sendo verdade, porque a física estava errada. Quando a física quântica surgiu,tornou-se possível combinar com a química inalterada. Ou seja, todo o projeto com a redução estava simplesmente incorreto. O projeto correto era ver como essas duas visões de mundo poderiam ser combinadas. E aconteceu que, surpresa - eles estavam unidos por mudanças radicais na ciência a jusante. Talvez exatamente a mesma coisa com psicologia e neurociência. Quero dizer, a neurociência nem está tão avançada agora como a física um século atrás.E isso será um desvio da abordagem reducionista com a busca de moléculas ...Chomsky: Sim. De fato, a abordagem reducionista já foi equivocada várias vezes. Uma abordagem de unificação faz sentido. Mas a unificação pode diferir da redução, uma vez que a ciência básica pode ser falha, como é o caso da física e da química, e suspeito com um alto grau de probabilidade a mesma coisa no caso da neurociência e da psicologia. Se Gallistel estiver certo, faz sentido dizer que sim, eles podem ser combinados, mas com uma abordagem diferente da neurociência.Devemos lutar pela rápida unificação, ou é melhor desenvolver essas áreas em paralelo até agora?Chomsky:A unificação é uma busca tão intuitiva do ideal, parte do misticismo científico, se você preferir. É como procurar uma teoria geral do mundo. Talvez não exista, talvez as diferentes partes funcionem de maneira diferente, mas há uma suposição, até que me tenham dado uma refutação convincente, minha suposição é que existe uma teoria geral do mundo, e minha tarefa é tentar encontrá-la. A unificação pode não se manifestar através da redução, e isso geralmente acontece. Essa é a lógica principal da abordagem de David Marr: o que você descobre no nível computacional deve ser combinado com o que você encontrará no nível dos mecanismos, mas talvez não nos termos em que agora entendemos esses mecanismos.E Marra implica que você não pode trabalhar em todos os três níveis em paralelo [nível computacional, algorítmico e de implementação], você precisa se mover de cima para baixo, e esse é um requisito muito rigoroso, já que esse geralmente não é o caso na ciência.Chomsky: Ele não poderia dizer que tudo deveria ser difícil. Por exemplo, a descoberta de algo novo sobre os mecanismos pode levar a uma mudança no conceito de computação. A ordem lógica não coincide necessariamente com a ordem da pesquisa, pois na pesquisa tudo acontece ao mesmo tempo. Mas acho que, numa aproximação aproximada, a imagem é verdadeira. Embora eu deva dizer que o conceito Marra foi desenvolvido para sistemas de entrada ...Sistemas de processamento de informações ...Chomsky:Sim, como visão. Existem dados - este é um sistema de processamento de dados - e algo acontece nele. E isso não funciona muito bem para sistemas cognitivos. Vamos usar sua habilidade aritmética ...É muito fraca, mas tudo bem ...Chomsky: Bom [risos]. Mas essa é uma habilidade interna, você sabe que seu cérebro é a unidade de controle de algo como uma máquina de Turing e tem acesso a dados externos, como memória, tempo ... Teoricamente, você pode multiplicar qualquer coisa, mas na prática, é claro, isso não é assim. Se você tentar estudar que tipo de sistema interno possui, a hierarquia de Marr não funcionará muito bem. Você pode falar sobre o nível computacional: talvez as regras dentro de mim sejam os axiomas de Peano [ aprox. ed.: teoria matemática (nomeada em homenagem ao matemático italiano Giuseppe Peano), que descreve o núcleo das regras básicas dos números aritméticos e naturais, das quais você pode derivar muitos fatos aritméticos úteis] ou qualquer outra coisa, isso não importa - esse é o nível computacional. Teoricamente, apesar de não sabermos como, você só pode falar sobre o nível neurofisiológico, ninguém sabe como, mas não existe um nível algorítmico real. Como não há cálculo do conhecimento, é simplesmente um sistema de conhecimento. Não está claro como entender a natureza do sistema de conhecimento: não há algoritmo, porque não há processo. Isso só pode ser feito usando um sistema de conhecimento no qual existe um processo, mas já será algo completamente diferente.Mas, como cometemos erros, isso significa que o processo está dando errado?Chomsky:Este é o processo de usar o sistema interno. Mas o próprio sistema interno não é um processo, porque não possui um algoritmo. Faça matemática comum. Se você seguir os axiomas e as regras de inferência do Peano, eles definirão todos os cálculos aritméticos, mas não há algoritmo. Se você perguntar como o especialista em teoria dos números os aplica, é claro que há muitas opções: por exemplo, você começa não com axiomas, mas com regras de inferência. Você pega o teorema e vê se o lema pode ser deduzido e, se funcionar, então vê se ele baseia esse lema em alguma coisa e, no final, você obtém uma prova - um objeto geométrico.Mas essa é uma atividade fundamentalmente diferente, diferente de adicionar pequenos números na minha cabeça - e, claro, eu tenho algum tipo de algoritmo na minha cabeça.Chomsky:Não necessariamente. Este processo possui um algoritmo nos dois casos. Mas não há algoritmo do próprio sistema, este é um erro categórico. Você não pergunta que processo os axiomas e as regras de inferência de Peano definem; não há processo lá. Pode haver um processo para usá-los. E isso pode ser um processo complicado, e isso é verdade no caso de seus cálculos. O sistema interno que você possui não é uma questão de processo. Mas se você usar seu sistema interno, a questão será levantada e você poderá realizar a multiplicação de várias maneiras. Por exemplo, se você adicionar 7 e 6, um algoritmo diz: "Vou ver quanto é necessário para chegar a 10" - são necessários 3 e agora restam mais 3, então passarei de 10 e adicionarei mais 3, e haverá 13. Esse é um algoritmo de adição - de fato, foi assim que fui ensinado no jardim de infância. Esta é uma maneira de adicionar números.Mas existem outras maneiras de adicionar - não há algoritmo correto. Estes são algoritmos para executar o processo do sistema cognitivo em sua cabeça. E agora para este sistema você não está perguntando sobre algoritmos. Você pode perguntar sobre o nível de computação, sobre o nível de mecanismos. Mas o nível algorítmico desse sistema não existe. O mesmo com a linguagem. A linguagem é como uma habilidade aritmética. Existe um sistema que determina o som e o significado de uma variedade infinita de frases possíveis. Mas não há dúvida de que tipo de algoritmo existe. Também não há dúvida de qual sistema aritmético formal diz como provar teoremas. Usar o sistema é um processo, e você pode estudá-lo em termos de níveis de Marr. Mas é importante designar conceitualmente essas diferenças.Parece uma tarefa incrível passar da teoria do nível computacional, como os axiomas de Peano, para o nível 3 da medula ...Chomsky: mecanismos ...... mecanismos e realizações ...Chomsky: Sim. E ...
... sem um algoritmo, pelo menos.Chomsky:Eu acho que isso não é verdade. Talvez as informações sobre como o sistema é usado lhe digam algo sobre os mecanismos. Mas uma mente superior - talvez superior à nossa - verá que existe um sistema interno e que possui uma base fisiológica, e será possível estudá-lo, essa base fisiológica. Sem sequer olhar para o processo em que este sistema é usado. Talvez a observação do processo forneça informações úteis sobre onde ir. Mas conceitualmente, essa é uma tarefa diferente. A questão é qual a melhor maneira de fazer a pesquisa. Talvez a melhor maneira de estudar a conexão entre os axiomas e os neurônios de Peano seja observar como os matemáticos provam os teoremas. Mas isso é apenas porque eu darei informações de suporte. O resultado final real será a compreensão do sistema cerebral, sua base fisiológica,sem referência a qualquer algoritmo. Os algoritmos são sobre os processos que os usam e podem ajudá-lo a obter respostas. É possível como superfícies inclinadas podem lhe dizer algo sobre a taxa de queda, mas se você observar as leis de Newton, elas não dizem nada sobre planos inclinados.Bom A lógica de estudar sistemas cognitivos e linguísticos usando a abordagem de Marr é compreensível, mas como você não reconhece a competência linguística como um recurso genético, pode aplicar essa lógica a outros sistemas biológicos - o sistema imunológico, o sistema cardiovascular ...Chomsky: Exatamente, acho que muito parecido Você pode dizer a mesma coisa sobre o sistema imunológico.E pode ser mais fácil fazê-lo com esses sistemas do que com o pensamento.Chomsky:Mas você esperará outras respostas. Você pode fazer isso com o sistema digestivo. Suponha que alguém esteja estudando o sistema digestivo. É improvável que ele estude o que acontece quando você tem gripe estomacal, ou quando você comeu muito, ou algo mais. Vamos voltar a fotografar o que está acontecendo do lado de fora da janela. Uma maneira de estudar o sistema digestivo é coletar todos os tipos de dados sobre o que o sistema digestivo faz em várias circunstâncias, inserir dados em um computador, realizar uma análise estatística - você obtém alguma coisa. Mas isso não será o que o biólogo faz. Ele quer, desde o início, abstrair-se do que é considerado - possivelmente falso, porque você sempre pode cometer um erro - com variáveis irrelevantes, como se você está com gripe estomacal.Mas é exatamente isso que os biólogos fazem: pegam pessoas doentes com um sistema digestivo doente, as comparam com pessoas saudáveis e medem propriedades moleculares.Chomsky: Eles fazem isso em um estágio mais avançado. Eles já sabem muito sobre a estrutura do sistema digestivo antes de comparar os pacientes. Caso contrário, eles não saberão o que comparar e por que um está doente e o outro não.Eles confiam na análise estatística para identificar características distintas. Essa é uma abordagem muito bem financiada, porque você alega estar estudando pacientes.Chomsky:Essa pode ser uma maneira de obter financiamento. É assim que se obtém financiamento para a lingüística, dizendo que isso pode ajudar a tratar o autismo. Essa é outra questão completamente [risos]. Mas a lógica da pesquisa é começar a estudar o sistema, abstraindo do que você, com alto grau de probabilidade, considera ruídos irrelevantes. Você tenta encontrar a essência básica e depois se pergunta o que acontece se trouxermos outra coisa, a mesma gripe estomacal.Mesmo assim, parece que há uma dificuldade em aplicar os níveis de Marr em sistemas desse tipo. Se você perguntar que tipo de tarefa computacional o cérebro resolve, parece haver uma resposta, que funciona quase como um computador. Mas se você perguntar que tipo de problema computacional é o mais fácil de resolver, ainda é difícil pensar sobre isso - obviamente não é uma tarefa do processamento de informações.Chomsky: É verdade, mas não há razão para acreditar que toda biologia seja computacional. Pode haver razões para pensar que o pensamento é tal. De fato, Gallistel não diz que tudo o que está no corpo precisa ser estudado através da busca por unidades de leitura / gravação / endereço.Parece apenas contra-intuitivo em termos de evolução. Esses sistemas evoluíram juntos, reutilizando partes, moléculas e trajetórias semelhantes. Células são dispositivos de computação.Chomsky:Você não estuda o pulmão fazendo perguntas sobre o que as células calculam. Você estuda o sistema imunológico e o sistema visual, mas não espera encontrar a mesma resposta. O corpo é um sistema altamente modular, possui muitos subsistemas complexos que são mais ou menos integrados internamente. Eles operam sob diferentes leis. A biologia também é modular. Você não pode assumir que tudo isso é apenas uma enorme bagunça de objetos se comportando da mesma maneira.Claro que não, mas quero dizer que seria possível aplicar a mesma abordagem para estudar cada um dos módulos.Chomsky: Não necessariamente, porque os módulos são diferentes. Alguns dos módulos podem ser computacionais, outros não., , , … , — ?:Claro. Você pode entender muito sobre, por exemplo, o que faz um embrião se transformar em uma galinha, e não, por exemplo, um mouse. Este é um sistema muito complicado, incluindo todos os tipos de interações químicas e outras coisas. Mesmo com um nematóide, o fato de que tudo é determinado simplesmente por uma rede neural é completamente óbvio, e há evidências de pesquisas sobre esse assunto. Você precisa observar as complexas interações químicas que ocorrem no cérebro, no sistema nervoso. É necessário examinar cada sistema separadamente. Essas interações químicas podem não estar relacionadas às suas habilidades aritméticas - muito provavelmente. Mas eles podem ser facilmente relacionados à decisão de você levantar ou abaixar a mão.Embora, se você começar a estudar interações químicas, isso o levará ao que você chamou de descrição repetida do fenômeno, apenas em outras palavras.Chomsky: Ou uma explicação. Porque é possível, eles são muito importantes, criticamente relacionados.Mas se você fizer uma explicação em termos de "substância X deve ser ativada" ou "gene X deve estar presente", você realmente não explica como o corpo funciona. Você acabou de encontrar a alavanca e clicar nela.Chomsky: Mas então você olha mais longe e descobre o que faz esse gene funcionar dessa maneira em tais condições ou funciona de maneira diferente em outras condições.Mas se os genes estão no nível errado de abstração, você está em fuga.Chomsky: Então você não obtém a resposta certa. Ou talvez não.
Por exemplo, é sabido que é difícil calcular como um organismo se desenvolve a partir do genoma. Existem vários tipos de processos que ocorrem em uma célula. Se você apenas observar a ação de um gene, poderá estar no nível errado de abstração. Nunca fica claro, portanto, é necessário estudar isso. Eu não acho que exista um algoritmo para responder a essas perguntas.Eu gostaria de mudar a conversa para a evolução. Você criticou um ponto de vista muito interessante, que chamou de "empirismo filogenético". Você criticou esta posição por falta de poder explicativo. Ela simplesmente afirma o seguinte: então, pensar é o que é, porque essas adaptações ao ambiente foram escolhidas. Selecionado por seleção natural. Você argumentou que isso não explica nada, porque você sempre pode apelar para esses dois princípios - mutação e seleção.Chomsky: Bem, você pode desistir deles, mas eles podem estar certos. Pode acontecer que o desenvolvimento de suas habilidades aritméticas tenha resultado de mutações e seleção aleatórias. Se isso acontecer, tudo bem.Parece truísmo ( verdade conhecida - aprox. Transl. ).Chomsky: Mas não digo que isso não seja verdade. Obviedades são a verdade [risos].Mas eles não explicam nada.Chomsky:Talvez este seja o nível mais alto de explicação que você pode obter. Você pode inventar o mundo - acho que não será o nosso mundo - mas você pode inventar um mundo em que nada acontece, exceto mudanças aleatórias nos objetos e seleção com base em forças externas. Não acho que nosso mundo esteja tão organizado e não acho que exista pelo menos um biólogo. Existem muitas maneiras pelas quais as forças naturais determinam os canais nos quais a seleção pode ocorrer, algumas coisas acontecem, outras não. Muitas coisas no corpo não funcionam dessa maneira. Dê pelo menos o primeiro passo, meiose: por que as células se dividem em esferas em vez de cubos? Essas não são mutações aleatórias ou seleção natural: essas são as leis da física. Não há razão para pensar que as leis da física param por aqui, elas funcionam em todos os lugares.Sim, é claro, eles limitam a biologia.Chomsky: Ok, isto é, ainda não são apenas mutações e seleção aleatórias. São elas: mutações aleatórias, seleção e tudo o mais que importa, por exemplo, as leis da física.Existe um lugar para essas abordagens, que agora são chamadas de "genômica comparativa"? O Broads Institute aqui [no MIT / Harvard] cria grandes quantidades de dados de diferentes genomas de diferentes animais, diferentes células em diferentes circunstâncias e sequencia qualquer molécula possível. Existe algo que possa ser aprendido sobre tarefas cognitivas de alto nível a partir desses experimentos evolutivos comparativos ou essa é uma abordagem imatura?Chomsky: Não estou dizendo que essa é a abordagem errada, mas não sei o que pode ser aprendido com isso. Como você, - ? , Foxp2? [ . : , , , . , . , .]:Foxp2 é interessante, mas não tem nada a ver com o idioma. Está associado a habilidades motoras finas e coisas semelhantes. Isso tem a ver com o uso da linguagem, por exemplo, quando você diz - você controla seus lábios e assim por diante, mas é muito periférico à linguagem, e isso já é conhecido. Então, por exemplo, se você usa órgãos ou sinais articulatórios, bem, por exemplo, um gesto com a mão é a mesma linguagem. De fato, é até analisado e produzido na mesma parte do cérebro, embora em um caso as mãos se movam nos outros lábios. Portanto, seja qual for a externalização, está tudo na periferia. Eu acho que é um pouco difícil falar sobre isso, mas se você olhar para a estrutura do idioma, receberá evidências disso. Existem exemplos interessantes no aprendizado de idiomas, onde há um conflito entre eficiência computacional e eficiência comunicativa.Veja este exemplo, que eu já mencionei, com ordenação linear. Se você deseja saber a qual verbo um advérbio está associado, a criança usa reflexivamente a distância estrutural mínima em vez da distância linear mínima. Sim, é mais fácil usar a distância linear mínima do ponto de vista computacional, mas para isso é necessário que exista um conceito de ordem linear. E se a ordem linear é apenas um reflexo do sistema sensório-motor, o que parece razoável, então não será. Aqui estão as evidências de que a projeção do sistema interno no sistema sensório-motor é periférica à operação do sistema de computação.Mas será que o sistema de computação apresenta suas limitações, como a física limita a meiose?Chomsky:Talvez, mas não há evidências. Por exemplo, a extremidade esquerda - a esquerda no sentido de uma anterior - sentenças tem outras características que não a direita. Se você quiser fazer uma pergunta, por exemplo: "Quem você vê?" Você coloca a palavra "Quem" no começo, não no fim. De fato, em qualquer idioma em que o grupo questionador - quem cujo livro está movendo para outro lugar - se move para a esquerda, não para a direita. É muito provável que seja uma limitação do processamento de informações. A frase começa com o que o ouvinte diz: é assim que eu pareço. Se fosse no final, você teria uma proposta completamente declarativa e somente no final saberia quais informações estou lhe perguntando. Se você diz isso, essa é uma limitação do processamento de informações. Portanto, se sim, a externalização afeta a natureza computacional da sintaxe e da semântica.Há casos em que você encontra conflitos óbvios entre eficácia computacional e comunicativa. Tome um exemplo simples: se eu disser: "Visitar parentes pode ser um fardo" - isso é ambíguo. Os parentes estão visitando você? Ou você vai visitar parentes? Acontece que em todos os casos conhecidos, a ambiguidade surge simplesmente do fato de permitirmos que as regras funcionem livremente, sem restrições. Portanto, é computacionalmente eficiente, mas ineficiente para comunicação, pois leva a ambiguidade insolúvel.Ou dê um exemplo de sugestões com o efeito de um caminho de jardim que conduz na direção errada. Sugestões como: "O cavalo passou correndo pelo celeiro e caiu". (o cavalo que foi enviado para o celeiro caiu - aprox.) As pessoas, quando veem tal oferta, não a entendem, porque é construída de tal maneira que o leva ao longo do caminho do jardim. “O cavalo passou correndo pelo celeiro” soa como uma frase, e então você fica intrigado: o que a palavra “caiu” no final faz? Por outro lado, se você pensar bem, essa é uma proposta absolutamente correta. Isso significa que um cavalo que foi apontado por alguém por um celeiro caiu. Mas as regras da linguagem, quando simplesmente funcionam, podem fornecer sentenças incompreensíveis por causa do fenômeno do caminho do jardim.E existem muitos exemplos. Há coisas que você simplesmente não pode dizer por algum motivo. Se eu digo: mecânica consertava os carros. E você diz: "Eles estavam se perguntando se a mecânica do carro o havia consertado". Você pode fazer perguntas sobre carros: "Quantos carros eles estavam interessados, os mecânicos os consertaram?" Mais ou menos possível. Suponha que você queira fazer uma pergunta sobre mecânica. "Quantos mecânicos eles perguntaram se consertaram os carros?" Por alguma razão, não funciona mais assim. Essa é uma ideia clara, mas você não pode dizê-la. Se você estudar esse caso em detalhes, as regras computacionais mais eficientes não permitem dizer isso. Mas para a expressão do pensamento, para a comunicação, seria melhor se você pudesse dizer isso - daí o conflito.E, de fato, em todos os casos desse conflito, a eficiência computacional vence. A externalização é inferior em todos os casos às ambiguidades, mas apenas por razões computacionais, aparentemente, o sistema em si não se preocupa com a externalização. Talvez eu não tenha demonstrado de maneira suficientemente plausível, mas simplesmente se você o disser em voz alta, esse será um argumento suficientemente convincente.Isso nos diz algo sobre a evolução. O que é afirmado por esse fato: durante a evolução da linguagem, um sistema de computador se desenvolveu, e só então foi externalizado. E se você pensa em como a linguagem pode se desenvolver, você quase chegou a essa posição. Em algum momento da evolução humana, e isso é óbvio, recentemente, se você observar dados arqueológicos - talvez nos últimos cem mil anos atrás, e não é nada - em algum momento um sistema de computação apareceu com novas propriedades que não existiam outros organismos têm tais propriedades do tipo aritmético ...Ou seja, permitiu que você pensasse melhor antes da externalização?Chomsky:Ela faz você pensar. Um pequeno lampejo do cérebro, que ocorre em um indivíduo, não está em um grupo. Essa pessoa tinha a capacidade de pensar, o grupo não. Portanto, não há sentido em externalizar. Então, se essa mudança genética se espalhar e, por exemplo, muitas pessoas a tiverem, faz sentido procurar uma maneira de projetá-la no sistema sensório-motor, e isso é externalização, mas esse é um processo secundário.Somente se a externalização e o sistema interno de pensamento não estiverem conectados de maneira imprevisível.Chomsky:Nós não previmos, e isso faz pouco sentido. Por que ela estaria conectada a um sistema externo? Por exemplo, suas habilidades aritméticas não estão conectadas a ela. E existem muitos outros animais, como os pássaros canoros, que têm um sistema de computação interno, um canto dos pássaros. Este não é o mesmo sistema, mas é um sistema de computação interno. E ela é externalizada, mas às vezes não. Em algumas formas, o pintinho domina uma canção dessa espécie, mas não a reproduz até a maturidade. Nesse período inicial, ele tem uma música, mas nenhum sistema de externalização. Isso também é verdade para as pessoas: a criança humana entende muito mais do que pode reproduzir - muitas evidências experimentais - o que sugere que a criança tem um sistema interno, mas não pode externalizá-lo. Talvez ele não tenha memória suficiente,ou por outras razões.. , , , . , MIT, , , , , , , . , -, , ? , ? , — , .
:A filosofia da ciência é uma disciplina muito interessante, mas não acho que realmente faça uma contribuição para a ciência - ela aprende com a ciência. Ela está tentando entender o que as ciências estão fazendo, por que realizações estão acontecendo nelas, quais caminhos estão errados, se podem ser codificados e entendidos. O que considero importante na história da ciência. Acho que aprendemos muito com a história da ciência o que pode ser muito importante para o desenvolvimento das ciências. Especialmente quando entendemos que, nas ciências cognitivas, ainda estamos no estágio pré-galileano. Não sabemos que estamos procurando algo que o Galileo já encontrou e que há algo a aprender. Por exemplo, um fato marcante das ciências primárias, não necessariamente de Galileu, mas no geral desde o tempo das descobertas galileanas, é que as coisas simples podem ser muito confusas. Então eu seguro este copo, e se a água ferver, o vapor aumentará, mas se eu pegar minha mão, o copo cairá.Por que o copo cai e o vapor aumenta? Por mil anos seguidos, essa foi uma resposta completamente satisfatória: eles lutam pelo seu estado natural.?:Isso é física aristotélica. Os melhores e maiores cientistas acreditavam que esta é a resposta. Galileu se permitiu duvidar. Assim que você se permite duvidar, descobre imediatamente que sua intuição está errada. Como uma gota de pequena massa e grande massa, e assim por diante. Todas as suas intuições estão enganando você - enigmas estão em toda parte que você olha. Na história da ciência, há algo para estudar. Tome o mesmo exemplo que eu lhe dei, "instintivamente, as águias nadam". Ninguém nunca pensou que fosse um mistério. Mas se você pensar bem, é muito misterioso: você usa cálculos complexos em vez de simples. Se você se surpreender com isso, como um copo caindo, você faz a pergunta "Por quê?" E então segue o caminho de respostas bastante interessantes. Como, por exemplo: ordem linear não faz parte de um sistema de computação,que é uma suposição importante sobre a arquitetura do pensamento - diz que a ordem linear é apenas parte do sistema de externalização, ou seja, o sistema secundário. E isso abre um grande número de outras maneiras.Ou pegue outro exemplo: a diferença entre redução e unificação. A história da ciência fornece algumas ilustrações muito interessantes em química e física, e acho que são bastante relevantes para o estado das ciências cognitivas e neurofisiológicas de nosso tempo.Posfácio do tradutor: durante o tempo decorrido desde a publicação da entrevista, Chomsky publicou outros materiais interessantes - você pode sugerir uma conversa de 2,5 horas com o físico americano Lawrence Krauss ou o novo livro de Chomsky e Berwick, "Talking Man", se você estiver interessado em perguntas evolução e linguagem.
Traduzido por Tatyana Volkova.