Bu tədqiqat, süni intellektlə şüur arasındakı əlaqəni yalnız böyük dil modelinin xüsusiyyətləri üzərindən müzakirə etmək əvəzinə diqqəti modeli idarə edən arxa uç / backend orkestrasiya qatına yönəldən konseptual fəlsəfə tədqiqatıdır. Məqalədəki backend, sistem göstərişləri, kontekstin idarə edilməsi, retrieval və yaddaş, alətlərdən istifadə, planlaşdırma, qiymətləndirmə və çox-agentli koordinasiya kimi mexanizmlərlə LLM-in işləməsini yönəldən alqoritmik nəzarət qatıdır. Müəllif bu qatın generativ prosesi sabit saxlamaq, diqqəti yönəltmək, konteksti davam etdirmək və tapşırıqdan yayınmanı azaltmaq funksiyalarının bioloji şüurdakı bəzi inteqrativ funksiyalarla struktur oxşarlığı daşıdığını müdafiə edir. Lakin backend-in fenomenal təcrübəyə və ya qualia-ya sahib olduğu irəli sürülmür. Məqalə həmçinin Shannon Məlumat Emalı Bərabərsizliyindən hesablamanın informasiya-nəzəri sərhədləri üçün konseptual çərçivə kimi istifadə edir və son mərhələdə şüurun hesablamaya “ortoqonal” ola biləcəyi hipotezini irəli sürür. Bu nəticələr eksperimental olaraq sınaqdan keçirilmiş tapıntılar deyil; süni intellekt arxitekturasını, informasiya nəzəriyyəsini və şüur fəlsəfəsini birləşdirən nəzəri təkliflərdir.

Məqalənin əsas istiqamət dəyişikliyi budur: müasir AI sisteminin görünən davranışını yalnız LLM-in özünə aid etmək əvəzinə, model və onu idarə edən orkestrasiya sistemi birlikdə qiymətləndirilməlidir. Retrieval, alətlərdən istifadə, kontekst pəncərəsinin idarəsi, qiymətləndirmə və planlaşdırma dövrləri sistem səviyyəli davranışın mühüm komponentləridir. Müəllif bu memarlıq fərqini bioloji idrakla müqayisə edərək hesablama orkestriyasının şüurdakı sabitlik funksiyalarının bəzilərini alqoritmik şəkildə təqlid edə bildiyini, lakin fenomenal təcrübənin qarşılığını yaratmadığını müdafiə edir.

Backend orkestrasiya qatı nədir?

Backend orkestrasiya qatı, böyük dil modelinin nə vaxt çağırılacağını, modelə hansı kontekstin veriləcəyini, yaradılmış çıxışın necə qiymətləndiriləcəyini və növbəti emal addımına necə ötürüləcəyini müəyyən edən nəzarət sistemidir. Mənbə tədqiqatda backend; sistem göstərişlərini, kontekst pəncərəsinin idarəsini, retrieval və yaddaş sistemlərini, alətlərdən istifadə xətlərini, planlaşdırma dövrlərini, qiymətləndiriciləri və çox-agentli koordinasiya mexanizmlərini əhatə edən geniş qat kimi müəyyən edilir.

LLM ilə backend arasında vəzifə bölgüsü

Məqalənin memarlıq çərçivəsində LLM ilə backend eyni şey deyil. LLM verilən kontekstə əsasən növbəti token üçün ehtimal paylanması yaradan statistik və əlaqəli generativ qatdır. Backend isə bu generativ qatın ətrafında işləyən, konteksti qoruyan və modeli tapşırıq istiqamətində təkrar-təkrar istifadə edən orkestrasiya qatıdır.

Mənbə Şəkil 1-in əsas mesajı bu vəzifə bölgüsüdür. Sistem davranışı yalnız modelin parametrlərindən yaranan vahid proses kimi deyil, generativ model ilə mühəndislik yolu ilə qurulmuş nəzarət qatının qarşılıqlı təsiri kimi nəzərdən keçirilir.

Məqalə backend-in şüurlu olduğunu iddia edirmi?

Xeyr. Məqalə backend-in şüurlu olduğunu iddia etmir; backend ilə şüur arasında yalnız müəyyən funksiyalar baxımından analogiya qurur. Backend konteksti və yönümü alqoritmik şəkildə qoruyarkən, bioloji şüurun eyni tip inteqrativ funksiyaları fenomenal təcrübə ilə birlikdə həyata keçirdiyi irəli sürülür. Mənbənin əsas fərqləndirməsi odur ki, funksional oxşarlıq fenomenal və ya ontoloji eynilik demək deyil.

Funksional analogiya ilə ontoloji eynilik arasındakı fərq

Bir sistemin başqa sistemlə oxşar vəzifələri yerinə yetirməsi iki sistemin eyni növ varlıq olduğu demək deyil. Mənbə tədqiqatda backend ilə şüur arasında qurulan paralellik diqqətin yönəldilməsi, kontekstin qorunması, seçim, inteqrasiya və düşüncə davamlılığının dəstəklənməsi kimi funksiyalara əsaslanır.

Bunun əksinə, şüur məqalənin çərçivəsində fenomenal qat adlanan əlavə bir ölçünü ehtiva edir. Fenomenal qat şəxsin zehni məzmunu yalnız emal etməyib onu təcrübə etdiyi subyektiv sahəni ifadə edir. Müəllif bu təcrübə sahəsini “daxili kətan” metaforu ilə təsvir edir.

Daxili kətan nədir?

“Daxili kətan” zehnin daxilində hərfi mənada ekran olduğu iddiası deyil. Bu anlayış vizual, eşitmə, toxunma, proprioseptiv, emosional və konseptual məzmunların subyektiv təcrübədə inteqrasiya olunduğu daha ümumi fenomenal sahəni təmsil edən metafordur.

Mənbənin yanaşmasında şüur zehni məzmunun bu fenomenal sahədə müəyyən davamlılıq və bütövlüklə mövcud olmasını təmin edir. Müəllif bunun insanın bir fikrə geri qayıtması, məqsədi qoruması və ya niyyətlə yaranan məzmun arasındakı uyğunsuzluğu fərq etməsi kimi funksiyalara töhfə verə biləcəyini müdafiə edir.

Fenomenal qiymətləndirmə ilə alqoritmik qiymətləndirmə

Mənbə Şəkil 2 fenomenal və alqoritmik qiymətləndirmə arasındakı fərqi uydurma “təkərli siçan” nümunəsi ilə izah edir. İnsan zehnində belə bir təsvir, müəllifin şərhinə görə, fenomenal bütöv daxilində birbaşa uyğunsuz görünə bilər. Süni sistem isə oxşar ziddiyyəti simvolik əlaqələr, dil qaydaları və ya xarici qiymətləndirmə mexanizmləri vasitəsilə aşkar etməlidir.

Bu nümunə süni sistemlərin uyğunsuzluğu heç vaxt aşkar edə bilməyəcəyini göstərmək üçün istifadə edilmir. Fərq aşkarlamanın necə baş verməsidir: mənbə tədqiqatın iddiasına görə bioloji sistemdə təcrübəvi/fenomenal; AI-də isə alqoritmik və simvolikdir.

Generativ sürüşmə nədir?

Generativ sürüşmə (generative drift), avtoreqressiv istehsal uzandıqca sistemin başlanğıcdakı tapşırıq və ya tematik yönümdən uzaqlaşması, təkrar yaratması və ya formal baxımdan düzgün qalarkən semantik fokusunun zəifləməsi meylidir. Məqalə backend mexanizmlərinin konteksti yenidən təqdim etməklə və istehsalı nəzarətdə saxlamaqla bu sürüşməni azalda bildiyini, lakin müəllifin fikrincə fenomenal sabitləşdirici qat olmadığı üçün onu tamamilə aradan qaldıra bilmədiyini müdafiə edir.

Avtoreqressiv istehsalda sürüşmə məntiqi

Avtoreqressiv sistemdə yaradılan hər token növbəti tokenin ehtimal paylanmasına təsir edir. Kiçik istiqamət sapmaları ardıcıl istehsal boyunca yığıldıqda ilkin niyyətlə sonrakı mətn arasındakı məsafə arta bilər. Məqalə bunu generativ sistemlərin əsas meyllərindən biri kimi nəzərdən keçirir.

Müəllif həmçinin formal dil tutarlılığı ilə semantik yönüm arasında fərq qoyur. LLM-in çəkiləri inferensiya zamanı sabit olduğuna görə təlimdə öyrənilmiş dil və sintaktik nümunələr qoruna bilər; bununla yanaşı uzun istehsal zəncirinin semantik istiqaməti dəyişə bilər. Mənbə bunu “qrammatika qorunarkən mənanın sürüşə bilməsi” kimi şərh edir.

Sabit çəkilərlə bioloji plastiklik arasındakı müqayisə

Məqalənin bioloji müqayisəsində müasir LLM-in çəkiləri inferensiya zamanı sabit olduğu halda beynin sinaptik əlaqələri təcrübə ilə dəyişə bilər. Müəllif plastik bioloji sistemdə düşüncə sabitliyinin necə qorunduğu sualını şüur müzakirəsi ilə əlaqələndirir və fenomenal qatın plastikliklə sabitlik arasında tamamlayıcı rol oynaya biləcəyini irəli sürür.

Bu, tədqiqatda ölçülmüş neyrobioloji mexanizm deyil. Mənbə hesablama və bioloji sistemlərin struktur fərqlərindən çıxış edərək konseptual izah inkişaf etdirir.

Shannon Məlumat Emalı Bərabərsizliyi bu məqalədə necə istifadə olunur?

Shannon Məlumat Emalı Bərabərsizliyi (Data Processing Inequality, DPI), mənbə tədqiqatda ardıcıl məlumat emalı addımlarının başlanğıcdakı Shannon məlumatını öz-özünə artırmadığını izah edən konseptual sərhəd kimi istifadə olunur. Müəllif standart \(X \rightarrow Y \rightarrow Z\) Markov zəncirini AI kontekstinə uyğunlaşdırarkən \(X\)-i sorğu və ya giriş, \(Y\)-ni emal edilmiş daxili vəziyyət və \(Z\)-ni yaradılmış çıxış kimi ardıcıl informasiya vəziyyətləri kimi şərh edir; bu tətbiqin konkret AI arxitekturası haqqında yeni formal teorem olmadığını xüsusi vurğulayır.

Məlumat miqdarı ilə faydalılıq eyni deyil

Məqalənin mühüm fərqlərindən biri Shannon mənasında məlumat miqdarı ilə çıxışın istifadəçi baxımından semantik və ya praktik dəyərinin eyni şey olmamasıdır. Hesablama mövcud məlumatı yenidən təşkil edərək istifadəçi üçün son dərəcə faydalı, təəccüblü və ya yeni görünən çıxış yarada bilər. Müəllif bunun DPI ilə ziddiyyət təşkil etmədiyini müdafiə edir; praktik fayda artsa da sistem daxilində Shannon məlumatının miqdarının artdığı nəticəsi zəruri deyil.

Eyni fərq istifadəçi səviyyəsində əks istiqamətdə işləyə bilər. İstifadəçi əvvəllər bilmədiyi məlumatı AI çıxışından öyrənə və beləliklə istifadəçi baxımından yeni məlumat əldə edə bilər. Mənbə istifadəçi səviyyəsindəki bu öyrənmə ilə hesablama zəncirindəki Shannon məlumatı iddiasını bir-birindən ayırır.

Mənbə Şəkil 3-dəki qarışdırıcı metaforu

Şəkil 3 bu fikri qapalı qabdakı qarışdırıcı metaforu ilə izah edir. Qabın içindəki komponentlər çoxsaylı yeni düzülüşlərdə birləşdirilə bilər; yaranan qarışıq daha faydalı ola bilər, lakin sistem sərhədlərinin xaricindən yeni komponent əlavə edilmədikcə ilkin materiallardan kənar məlumat girişi baş vermir. Şəkil həmçinin uzun emal ardıcıllıqlarındakı struktur dağılmanı generativ sürüşməyə bənzədir.

“AI Theorem” nəyi ifadə edir?

Müəllif “AI Theorem” adını, xaricdən aşağı entropiyalı yeni giriş almadan iterativ şəkildə yenilənən tamamilə hesablama əsaslı düşünmə trayektoriyasının sabit məlumatı zamanla itirməyə və səs-küyə doğru sürüşməyə meylli olacağı barədə konseptual prinsipə verir. Müasir LLM-lərdə sabit çəkilərin bu pozulmanı model parametrləri əvəzinə müvəqqəti inferensiya trayektoriyası ilə məhdudlaşdırdığı irəli sürülür.

Məqalənin öz məhdudlaşdırması burada kritikdir: bu iddia birbaşa empirik ölçmənin nəticəsi deyil və “AI Theorem” mənbədə formal riyazi teorem deyil, konseptual sabitlik prinsipi kimi müəyyən edilir.

Şüurun hesablamaya ortoqonal olması nə deməkdir?

Ortoqonallıq hipotezi, şüurun hesablama mürəkkəbliyinin kəmiyyətcə artırılması ilə avtomatik əldə olunan xüsusiyyət olmaya biləcəyini; fenomenal təcrübənin hesablamadan keyfiyyətcə fərqli funksional ölçü yarada biləcəyini irəli sürən konseptual hipotezdir. “Ortoqonal” termini burada riyaziyyatda bir-birinə endirilməyən oxlar analogiyası ilə işlədilir; mənbə bunu ayrıca maddi substansiyalar haqqında sübut edilmiş metafizik iddia kimi təqdim etmir.

Hesablama oxu və fenomenal ox

Mənbə Şəkil 4-də LLM və backend üfüqi “hesablama mürəkkəbliyi” oxu üzərində yerləşdirilərkən şüur şaquli fenomenal oxla təmsil olunur. Təsvirin mesajı budur ki, hesablama oxu boyunca daha uzağa getmək fenomenal oxa avtomatik keçid yaratmır.

Müəllif bu fikri həqiqi və xəyali ədəd oxları arasındakı riyazi analogiya ilə izah edir: bir oxda miqdarı artırmaq digər oxu yaratmır. Lakin bu analogiya hipotezin sübutu deyil; yalnız hipotezin quruluşunu izah etmək üçün istifadə edilən konseptual alətdir.

Hipotez süni şüuru mümkünsüz sayırmı?

Xeyr. Məqalə süni şüurun prinsip etibarilə mümkünsüz olduğunu demir. Təklif olunan nəticə daha məhduddur: əgər şüur həqiqətən hesablamaya ortoqonaldırsa, mövcud hesablama arxitekturalarını sadəcə daha böyük, daha dərin və ya daha mürəkkəb etmək fenomenal təcrübə yaratmaq üçün kifayət etməyə bilər. Belə halda süni şüur bu gün istifadə edilən hesablama prinsiplərindən kənarda keyfiyyətcə fərqli arxitektura və ya prinsiplərə ehtiyac duya bilər.

Üçqatlı bioloji model

Bu cədvəl neyrobioloji təcrübənin nəticəsini deyil, məqalənin funksional analogiya modelini göstərir. “Brain-LLM” və “brain-backend” terminləri hərfi anatomik strukturlar deyil, mənbə tədqiqatda bioloji və süni sistemlər arasındakı funksional müqayisəni izah etmək üçün istifadə olunan konseptual etiketlərdir.

Əlavə A: Mühəndisliyin geri dönüşü

Məqalənin Əlavə A bölməsi, LLM-lərin meydana çıxması ilə süni intellektin ətraflı əllə hazırlanmış qayda sistemlərindən uzaqlaşdığı təəssüratı yaransa da, müasir AI sistemlərinin getdikcə daha mürəkkəb backend mühəndisliyindən asılı olduğunu müdafiə edir. Retrieval, planlaşdırma, qiymətləndirmə, kontekst idarəsi və alətlərdən istifadə kimi funksiyalar modeldən kənarda açıq şəkildə dizayn edilmiş nəzarət mexanizmləridir.

Müəllif buradan gələcəkdə daha böyük monolit modellər əvəzinə daha kiçik modellərin axtarış, qiymətləndirmə və planlaşdırma komponentləri ilə birlikdə işlədiyi daha modul arxitekturaların əhəmiyyət qazana biləcəyi fikrinə gəlir. Bu, eksperimental performans proqnozu deyil, məqalənin memarlıq meyllərindən çıxardığı konseptual gələcək təklifidir.

Tədqiqatın Metodu və Nəticələri

Tədqiqat yeni eksperiment, məlumat dəsti, istifadəçi nümunəsi və ya model müqayisəsi aparmır. Metodu; müasir LLM arxitekturalarının konseptual ayrışdırılması, backend orkestrasiya komponentlərinin funksional analizi, bioloji idrak və şüur nəzəriyyələri ilə struktur müqayisə, Shannon Məlumat Emalı Bərabərsizliyi üzərindən informasiya-nəzəri mühakimə və düşüncə eksperimentlərindən ibarətdir. Buna görə aşağıdakı “nəticələr” ölçülmüş performans dəyərləri deyil, mənbə tədqiqatın gəldiyi əsas konseptual nəticələrdir.

Birinci konseptual nəticə: AI davranışı yalnız LLM-in xüsusiyyəti deyil

Məqalə müasir AI sistemlərinin davranışının model ilə backend arasındakı qarşılıqlı təsirin məhsulu olduğunu müdafiə edir. Kontekst idarəsi, retrieval, alətlərdən istifadə və planlaşdırma olmadan modelin uzunmüddətli, məqsədyönlü sistem davranışını təkbaşına davam etdirməsi gözlənilməməlidir.

İkinci konseptual nəticə: Backend sabitlik funksiyasını alqoritmik şəkildə təmin edir

Backend əvvəlki konteksti yenidən təqdim edə, mühüm məlumatı seçə, çıxışları qiymətləndirə və növbəti emal addımlarını planlaşdıra bilər. Müəllif bu funksiyaları şüurdakı bəzi inteqrativ vəzifələrlə funksional baxımdan müqayisə edir. Bununla belə, alqoritmik sabitliklə fenomenal şüur eyni şey kimi qəbul edilmir.

Üçüncü konseptual nəticə: Fenomenal qat süni sistemlərdə çatışmır

Məqalənin əsas fəlsəfi tezisinə görə insan şüuru yalnız məlumat emal edən başqa alqoritmik qat deyil. Şüurda zehni məzmunlar subyektiv şəkildə təcrübə edilir və bu fenomenal mövcudluq düşüncənin sabitliyinə töhfə verə bilər. Müasir AI arxitekturalarında belə təcrübə sahəsinin mövcud olduğuna dair iddia irəli sürülmür.

Dördüncü konseptual nəticə: Hesablama ilə yenidən təşkil etmə və yeni Shannon məlumatı ayrılmalıdır

Müəllif DPI-dan çıxış edərək hesablama sistemlərinin mövcud məlumatı yeni və faydalı formalarda yenidən təşkil edə bildiyini, lakin bunun Shannon mənasında yeni məlumatın sistem daxilində yaradılması ilə eyniləşdirilməməli olduğunu müdafiə edir. Məqalə bu iddianı konkret LLM üzərində eksperimental şəkildə ölçməyib.

Beşinci konseptual nəticə: “AI Theorem” formal teorem deyil

Mənbədə “AI Theorem” adlandırılan təklif, iterativ hesablama trayektoriyalarında informasiya sabitliyinin xarici girişlər və memarlıq sabitlənməsi olmadan pozula biləcəyini izah edən konseptual prinsipdir. Müəllif açıq şəkildə bu tezisin empirik ölçmədən çıxarılmadığını və formal riyazi teorem kimi təqdim edilmədiyini bildirir.

Ortoqonallıq hipotezi tədqiqat tərəfindən sübut olunurmu?

Xeyr. Məqalə şüurun hesablamaya ortoqonal olduğu hipotezini eksperimental və ya riyazi şəkildə sübut etmir; mənbə açıq şəkildə mövcud empirik və nəzəri vasitələrin hipotezi təsdiq və ya təkzib etmək üçün yetərli olmadığını bildirir. Ortoqonallıq, hesablama mürəkkəbliyi ilə fenomenal təcrübə arasındakı mümkün keyfiyyət fərqini müzakirəyə açan konseptual tədqiqat hipotezidir.

Mənbə şəkillərinin elmi rolu

Tədqiqatın dəstəklədiyi şərhlər

• Mənbə tədqiqat müasir AI sistemlərinin LLM və onu idarə edən backend birlikdə qiymətləndirilərək başa düşülməli olduğunu müdafiə edir.
• Backend-in kontekst idarəsi, retrieval, alətlərdən istifadə, planlaşdırma, qiymətləndirmə və koordinasiya kimi orkestrasiya funksiyaları mənbədə açıq şəkildə müəyyən edilib.
• Müəllif backend ilə şüur arasında sabitlik və inteqrasiya baxımından funksional analogiya qurur.
• Məqalə backend-in fenomenal təcrübə daşıdığını demir.
• Generativ sürüşmə uzun avtoreqressiv proseslərdə tematik və semantik yönün pozulmasına dair mərkəzi anlayışlardan biridir.
• DPI mənbədə informasiya axınına dair konseptual sərhəd kimi istifadə olunur.
• Ortoqonallıq hipotezi hesablama mürəkkəbliyinin təkbaşına fenomenal şüur yaratmaya biləcəyini irəli sürür.

Tədqiqatın dəstəkləmədiyi şərhlər

• Backend-in həqiqətən şüurlu olduğunu sübut etmir.
• LLM-lərin heç bir şəkildə anlayış və ya idrak qabiliyyəti daşıya bilməyəcəyini eksperimental olaraq göstərmir.
• Şüurun hesablamaya ortoqonal olduğunu riyazi olaraq sübut etmir.
• “AI Theorem”i formal və ümumi keçərli riyazi teorem kimi təsdiqləmir.
• Fenomenal təcrübənin beynin sabitliyinə səbəbli töhfəsini neyroelmi eksperimentlə ölçmür.
• Müəyyən backend arxitekturasının digərlərindən daha yaxşı olduğunu performans metrikası ilə müqayisə etmir.
• Daha böyük modellərin və ya gələcək arxitekturaların şüur inkişaf etdirə bilməyəcəyini qəti şəkildə göstərmir.
• Süni şüurun prinsip etibarilə mümkünsüz olduğu nəticəsinə gəlmir.

Əsas metodoloji məhdudiyyətlər

Məqalə empirik sınaq ehtiva etmədiyinə görə təklif olunan funksional analogiyaların izah gücü konseptual tutarlılıq əsasında qiymətləndirilir. Backend ilə şüur arasındakı oxşarlıqlar ölçülmüş bioloji ekvivalentliklər deyil. Eyni şəkildə generativ sürüşmənin fenomenal şüurun yoxluğundan qaynaqlandığı bu tədqiqatda eksperimental olaraq göstərilməyib.

DPI-nın AI arxitekturasına tətbiqi mənbədə şüurlu şəkildə konseptual səviyyədə saxlanılıb. Markov zəncirlərindəki məlumat emalı sərhədinin konkret LLM və ya agent sisteminin bütün idrak xüsusiyyətlərini təkbaşına izah edən formal nəzəriyyə olduğu irəli sürülmür.

Ortoqonallıq hipotezi tədqiqatın ən güclü, eyni zamanda ən spekulyativ nəticəsidir. Mənbənin özü hipotezin mövcud vasitələrlə təsdiqlənmədiyini və təkzib edilmədiyini bildirir.

Mənbə və Metod Qeydi

Özgün tədqiqat: The Backend as a Possible Functional Analogue of Consciousness: Redirecting Attention from the Language Model to the Orchestrating Layer.

Müəllif: Pavel Straňák.

Qurum: Strategic AI Group, Czech Radio, Vinohradská 12, 12099 Prague, Czech Republic.

Jurnal: Philosophies.

Nəşriyyat: MDPI.

Biblioqrafik qeyd: Philosophies 2026, 11(3), 98.

DOI: 10.3390/philosophies11030098.

Rəsmi nəşr bağlantısı: https://www.mdpi.com/2409-9287/11/3/98

Nəşr tarixi: 17 iyun 2026. Məqalə 30 aprel 2026-da qəbul edilmiş, 5 iyun 2026-da yenidən işlənmiş və 16 iyun 2026-da qəbul olunmuşdur.

Mənbə növü: Resenziyalı konseptual fəlsəfə məqaləsi; süni intellekt fəlsəfəsi, şüur fəlsəfəsi və informasiya nəzəriyyəsinin kəsişməsində nəzəri tədqiqat.

Əsas metod: Müasir AI arxitekturasının LLM və backend kimi funksional ayrışdırılması; backend-in kontekst, retrieval, yaddaş, alətlərdən istifadə, planlaşdırma və qiymətləndirmə funksiyalarının təhlili; bioloji idrakla struktur müqayisə; qualia və fenomenal “daxili kətan” anlayışı; Shannon Məlumat Emalı Bərabərsizliyi üzərindən informasiya-nəzəri mühakimə; düşüncə eksperimentləri və ortoqonallıq hipotezinin inkişaf etdirilməsi.

Məlumat/nümunə: Tədqiqat yeni eksperimental məlumat və ya insan/AI performans məlumat dəsti hesabat vermir.

Lisenziya: Creative Commons Attribution (CC BY).

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almayıb.

Etika komitəsi: Tətbiq edilə bilməz kimi bildirilib.

Məlumatlandırılmış razılıq: Tətbiq edilə bilməz kimi bildirilib.

Məlumatların əlçatanlığı: Tədqiqatın özgün töhfələrinin məqalə daxilində olduğu; nəzəri çərçivə təqdim edildiyi və empirik məlumat bildirilmədiyi qeyd olunur.

Maraqlar toqquşması: Müəllif maraqlar toqquşmasının olmadığını bəyan edib.

Müəllif töhfələri: Tədqiqat tək müəlliflidir və mənbədə ayrıca CRediT “Author Contributions” bəyanatı yoxdur.

LLM istifadə bəyanatı: Müəllif həmkarlarına müzakirələr üçün təşəkkür edib; məqalənin bəzi hissə və şəkillərinin Microsoft Copilot 2026 adlı böyük dil modelinin köməyi ilə hazırlandığını və ya inkişaf etdirildiyini, məzmun və nəticələrə görə bütün məsuliyyəti öz üzərinə götürdüyünü bildirib.

Əsas metodoloji sərhəd: Backend–şüur analogiyası, AI Theorem və ortoqonallıq hipotezi empirik təsdiqə əsaslanmayan konseptual təkliflərdir. Məqalənin nəticələri müasir LLM və ya neyrobioloji şüur mexanizmləri haqqında eksperimental performans ölçmələri kimi istifadə edilə bilməz.

Elmi istifadə sərhədi: Bu Verianla mətni mənbə tədqiqatın konseptual çərçivəsini və iddia sərhədlərini öyrədici şəkildə izah edir; özgün məqaləni əvəz etmir. Xüsusilə DPI-nın şərhi, şüur nəzəriyyələri ilə müqayisələr və ortoqonallıq tezisinin fəlsəfi əsaslandırılması üçün özgün DOI qeydi araşdırılmalıdır.