Utafiti huu ni kazi ya kifalsafa ya kimawazo ambayo, badala ya kujadili uhusiano kati ya akili bandia na fahamu kwa kutegemea tu sifa za modeli kubwa ya lugha, unaelekeza umakini kwenye safu ya nyuma / backend ya uratibu inayosimamia modeli. backend katika makala ni safu ya udhibiti wa kialgorithimu inayoratibu utendaji wa LLM kupitia mifumo kama maagizo ya mfumo, usimamizi wa muktadha, retrieval na kumbukumbu, matumizi ya zana, upangaji, tathmini na uratibu wa mawakala wengi. Mwandishi anadai kwamba kazi za safu hii za kuweka mchakato wa uzalishaji katika hali thabiti, kuelekeza umakini, kudumisha muktadha na kupunguza kupotoka kutoka kwenye jukumu zina mfanano wa kimuundo na baadhi ya kazi za kuunganisha zinazohusishwa na fahamu za kibaolojia. Hata hivyo, haidaiwi kwamba backend ina uzoefu wa kifeno-mena au qualia. Makala pia hutumia Shannon Data Processing Inequality kama mfumo wa kimawazo wa kueleza mipaka ya kinadharia ya taarifa katika ukokotoaji na, katika hatua ya mwisho, inapendekeza hipotesi kwamba fahamu inaweza kuwa “orthogonal” kwa ukokotoaji. Matokeo haya si ugunduzi uliothibitishwa kwa majaribio; ni mapendekezo ya kinadharia yanayounganisha usanifu wa akili bandia, nadharia ya taarifa na falsafa ya fahamu.

Mabadiliko makuu ya mwelekeo katika makala ni haya: badala ya kuhusisha tabia inayoonekana ya mfumo wa kisasa wa AI na LLM pekee, modeli na mfumo wa uratibu unaoisimamia vinapaswa kutathminiwa pamoja. Retrieval, matumizi ya zana, usimamizi wa dirisha la muktadha, tathmini na mizunguko ya upangaji ni vipengele muhimu vya tabia katika kiwango cha mfumo. Kwa kulinganisha tofauti hii ya usanifu na utambuzi wa kibaolojia, mwandishi anadai kwamba uratibu wa kikokotozi unaweza kuiga kialgorithimu baadhi ya kazi za uthabiti zinazohusishwa na fahamu, lakini hauzalishi mwenzake wa uzoefu wa kifeno-mena.

Safu ya uratibu ya backend ni nini?

Safu ya uratibu ya backend ni mfumo wa udhibiti unaoamua lini modeli kubwa ya lugha itaitwa, ni muktadha gani utakaotolewa kwa modeli, matokeo yanayozalishwa yatatathminiwaje na yatahamishwaje hadi hatua inayofuata ya uchakataji. Katika utafiti chanzo, backend hufafanuliwa kama safu pana inayojumuisha maagizo ya mfumo, usimamizi wa dirisha la muktadha, mifumo ya retrieval na kumbukumbu, njia za matumizi ya zana, mizunguko ya upangaji, watathmini na mifumo ya uratibu wa mawakala wengi.

Mgawanyo wa majukumu kati ya LLM na backend

Katika mfumo wa usanifu wa makala, LLM na backend si kitu kimoja. LLM ni safu ya uzalishaji ya kitakwimu na kimahusiano inayozalisha mgawanyo wa uwezekano wa token inayofuata kulingana na muktadha uliotolewa. Backend ni safu ya uratibu inayofanya kazi kuzunguka safu hii ya uzalishaji, kudumisha muktadha na kutumia modeli mara kwa mara kuelekea jukumu husika.

Ujumbe mkuu wa Kielelezo 1 cha chanzo ni mgawanyo huu wa majukumu. Tabia ya mfumo haichukuliwi kama mchakato mmoja unaotokana tu na vigezo vya modeli, bali kama mwingiliano kati ya modeli ya uzalishaji na safu ya udhibiti iliyoundwa kwa uhandisi.

Je, makala inadai kwamba backend ina fahamu?

Hapana. Makala haidai kwamba backend ina fahamu; inaweka analojia kati ya backend na fahamu tu kuhusiana na kazi fulani. Wakati backend inadumisha muktadha na mwelekeo kwa njia ya kialgorithimu, inapendekezwa kwamba fahamu za kibaolojia hutekeleza kazi za kuunganisha za aina hiyo pamoja na uzoefu wa kifeno-mena. Tofauti kuu ya chanzo ni kwamba mfanano wa kiutendaji haumaanishi utambulisho wa kifeno-mena au wa kiontolojia.

Tofauti kati ya analojia ya kiutendaji na utambulisho wa kiontolojia

Mfumo mmoja kutekeleza majukumu yanayofanana na mfumo mwingine hakumaanishi kuwa mifumo hiyo miwili ni aina moja ya kitu. Katika utafiti chanzo, ulinganifu kati ya backend na fahamu unatokana na kazi kama kuelekeza umakini, kudumisha muktadha, kuchagua, kuunganisha na kusaidia mwendelezo wa fikra.

Kinyume chake, katika mfumo wa makala fahamu ina kipengele cha ziada kinachoitwa safu ya kifeno-mena. Safu ya kifeno-mena inaeleza eneo la kimaudhui ambamo mtu si tu anachakata yaliyomo kiakili bali pia anayapata kama uzoefu wa ndani. Mwandishi anaeleza eneo hili la uzoefu kwa sitiari ya “turubai ya ndani”.

Turubai ya ndani ni nini?

“Turubai ya ndani” si dai kwamba kuna skrini halisi ndani ya akili. Dhana hii ni sitiari ya eneo pana zaidi la kifeno-mena ambamo yaliyomo ya kuona, kusikia, kugusa, proprioception, hisia na dhana huunganishwa katika uzoefu wa kimaudhui.

Katika mtazamo wa chanzo, fahamu huwezesha yaliyomo kiakili kuwepo katika eneo hili la kifeno-mena kwa kiwango fulani cha mwendelezo na umoja. Mwandishi anadai kwamba hili linaweza kuchangia kazi kama kurudi kwenye wazo, kudumisha lengo au kutambua kutolingana kati ya nia na yaliyomo yanayojitokeza.

Tathmini ya kifeno-mena na tathmini ya kialgorithimu

Kielelezo 2 cha chanzo kinaeleza tofauti kati ya tathmini ya kifeno-mena na ya kialgorithimu kwa kutumia mfano wa kubuni wa “panya mwenye magurudumu”. Katika akili ya binadamu, uwakilishi kama huo, kwa tafsiri ya mwandishi, unaweza kuonekana moja kwa moja kuwa haulingani ndani ya ujumla wa kifeno-mena. Mfumo bandia, kwa upande mwingine, hulazimika kugundua kutolingana kama huko kupitia mahusiano ya alama, kanuni za lugha au mifumo ya tathmini ya nje.

Mfano huu hautumiki kuonyesha kwamba mifumo bandia haiwezi kamwe kugundua kutolingana. Tofauti ni jinsi utambuzi huo unavyotokea: kwa mujibu wa hoja ya utafiti chanzo, katika mfumo wa kibaolojia ni wa kiuzoefu/kifeno-mena; katika AI ni wa kialgorithimu na wa kiishara.

Mtelezo wa uzalishaji ni nini?

Mtelezo wa uzalishaji (generative drift) ni mwelekeo wa mfumo kuondoka katika jukumu au mwelekeo wa mada wa awali kadiri uzalishaji wa autoregressive unavyoendelea, kurudia yaliyomo au kudhoofisha umakini wa maana huku ukiendelea kuwa sahihi kimuundo. Makala inadai kwamba mifumo ya backend inaweza kupunguza mtelezo huu kwa kuwasilisha tena muktadha na kusimamia uzalishaji, lakini kwa maoni ya mwandishi haiwezi kuuondoa kabisa kwa sababu hakuna safu ya kifeno-mena inayotenda kama kiimarishaji.

Mantiki ya mtelezo katika uzalishaji wa autoregressive

Katika mfumo wa autoregressive, kila token inayozalishwa huathiri mgawanyo wa uwezekano wa token inayofuata. Ikiwa mikengeuko midogo ya mwelekeo inajikusanya katika uzalishaji mfululizo, umbali kati ya nia ya awali na maandishi yanayofuata unaweza kuongezeka. Makala inaichukulia hali hii kama mojawapo ya mielekeo ya msingi ya mifumo ya uzalishaji.

Mwandishi pia anatofautisha uthabiti wa kimuundo wa lugha na mwelekeo wa maana. Kwa sababu uzani wa LLM hubaki thabiti wakati wa inferensiya, mifumo ya lugha na sintaksia iliyojifunzwa katika mafunzo inaweza kuhifadhiwa; hata hivyo, mwelekeo wa maana wa mlolongo mrefu wa uzalishaji unaweza kubadilika. Chanzo kinatafsiri hili kama “maana inaweza kuteleza huku sarufi ikibaki imara”.

Ulinganisho wa uzani thabiti na plastisiti ya kibaolojia

Katika ulinganisho wa kibaolojia wa makala, uzani wa LLM za kisasa hubaki thabiti wakati wa inferensiya ilhali miunganisho ya sinepsi katika ubongo inaweza kubadilika kupitia uzoefu. Mwandishi anaunganisha swali la jinsi uthabiti wa fikra unavyodumishwa katika mfumo wa kibaolojia wenye plastisiti na mjadala wa fahamu, na anapendekeza kwamba safu ya kifeno-mena inaweza kuwa na jukumu linalokamilisha uhusiano kati ya plastisiti na uthabiti.

Huu si utaratibu wa kineurobiolojia uliopimwa katika utafiti. Chanzo kinajenga maelezo ya kimawazo kutokana na tofauti za kimuundo kati ya mifumo ya kikokotozi na ya kibaolojia.

Shannon Data Processing Inequality inatumikaje katika makala hii?

Shannon Data Processing Inequality (DPI) inatumika katika utafiti chanzo kama kikomo cha kimawazo kinachoeleza kwamba hatua mfululizo za uchakataji wa taarifa haziongezi zenyewe taarifa ya awali ya Shannon. Mwandishi anapobadilisha mnyororo wa kawaida wa Markov \(X \rightarrow Y \rightarrow Z\) kwa muktadha wa AI, anatafsiri \(X\) kama kidokezo au ingizo, \(Y\) kama hali ya ndani iliyochakatwa na \(Z\) kama pato lililotolewa, yaani hali mfululizo za taarifa; anasisitiza kwamba matumizi haya si theorem mpya rasmi kuhusu usanifu fulani wa AI.

Kiasi cha taarifa na manufaa si kitu kimoja

Mojawapo ya tofauti muhimu katika makala ni kwamba kiasi cha taarifa kwa maana ya Shannon si sawa na thamani ya maana au matumizi ya pato kwa mtumiaji. Ukokotoaji unaweza kupanga upya taarifa iliyopo na kutoa pato linaloonekana kuwa lenye manufaa sana, la kushangaza au jipya kwa mtumiaji. Mwandishi anadai kwamba hili halipingani na DPI; kuongezeka kwa manufaa ya kivitendo hakulazimishi hitimisho kwamba kiasi cha taarifa ya Shannon ndani ya mfumo kimeongezeka.

Tofauti hiyo hiyo inaweza kufanya kazi kwa upande mwingine katika kiwango cha mtumiaji. Mtumiaji anaweza kujifunza taarifa ambayo hakujua awali kutoka kwenye pato la AI na hivyo kupata taarifa mpya kwa mtazamo wake. Chanzo kinatenganisha ujifunzaji huu wa kiwango cha mtumiaji na dai kuhusu taarifa ya Shannon katika mlolongo wa ukokotoaji.

Sitiari ya kichanganyaji katika Kielelezo 3 cha chanzo

Kielelezo 3 kinaeleza wazo hili kwa sitiari ya kichanganyaji ndani ya chombo kilichofungwa. Vipengele vilivyomo ndani vinaweza kuunganishwa kwa mipangilio mingi mipya; mchanganyiko unaopatikana unaweza kuwa na manufaa zaidi, lakini hakuna taarifa mpya inayotoka nje ya nyenzo za awali isipokuwa kipengele kipya kiingizwe kutoka nje ya mipaka ya mfumo. Kielelezo pia kinalinganisha kusambaratika kwa kimuundo katika misururu mirefu ya uchakataji na mtelezo wa uzalishaji.

“AI Theorem” ina maana gani?

Mwandishi anatumia jina “AI Theorem” kwa kanuni ya kimawazo inayosema kwamba mkondo wa hoja unaotegemea ukokotoaji pekee, unaosasishwa kwa marudio bila kupata ingizo jipya lenye entropy ndogo kutoka nje, utakuwa na mwelekeo wa kupoteza taarifa thabiti kadiri muda unavyopita na kuelekea kwenye kelele. Katika LLM za kisasa, inapendekezwa kwamba uzani thabiti huzuia uharibifu huu usifikie vigezo vya modeli na badala yake kuufungia katika mkondo wa muda wa inferensiya.

Kikomo cha makala yenyewe ni muhimu hapa: dai hili si matokeo ya kipimo cha moja kwa moja cha kiempiria na “AI Theorem” imefafanuliwa katika chanzo kama si theorem rasmi ya kihisabati, bali kanuni ya kimawazo ya uthabiti.

Inamaanisha nini kusema kwamba fahamu ni orthogonal kwa ukokotoaji?

Hipotesi ya u-orthogonal ni hipotesi ya kimawazo inayopendekeza kwamba fahamu huenda si sifa inayopatikana moja kwa moja kwa kuongeza kiasi cha ugumu wa ukokotoaji; uzoefu wa kifeno-mena unaweza kuunda kipimo cha kiutendaji kilicho tofauti kimaumbile na ukokotoaji. Neno “orthogonal” hapa linatumika kwa analojia ya mihimili ya kihisabati isiyoweza kupunguzwa mmoja hadi mwingine; chanzo hakiliwasilishi kama dai la kimetafizikia lililothibitishwa kuhusu vitu vya kimaada vilivyotengana.

Mhimili wa ukokotoaji na mhimili wa kifeno-mena

Katika Kielelezo 4 cha chanzo, LLM na backend huwekwa kwenye mhimili wa mlalo wa “ugumu wa ukokotoaji”, huku fahamu ikiwasilishwa kwa mhimili wa wima wa kifeno-mena. Ujumbe wa kielelezo ni kwamba kusonga mbali zaidi kwenye mhimili wa ukokotoaji hakusababishi moja kwa moja kuvuka kwenda kwenye mhimili wa kifeno-mena.

Mwandishi anaeleza wazo hili kwa analojia ya kihisabati kati ya mihimili ya namba halisi na namba changamano za kimawazo: kuongeza kiasi kwenye mhimili mmoja hakutengenezi mhimili mwingine. Hata hivyo, analojia hii si uthibitisho wa hipotesi; ni chombo cha kimawazo tu cha kueleza muundo wa hipotesi.

Je, hipotesi inasema fahamu bandia haiwezekani?

Hapana. Makala haisemi kwamba fahamu bandia haiwezekani kimsingi. Hitimisho linalopendekezwa ni finyu zaidi: ikiwa fahamu kwa kweli ni orthogonal kwa ukokotoaji, basi kufanya usanifu wa sasa wa kikokotozi kuwa mkubwa zaidi, wa kina zaidi au tata zaidi huenda kusiwe na kutosha kuzalisha uzoefu wa kifeno-mena. Katika hali hiyo, fahamu bandia inaweza kuhitaji usanifu au kanuni tofauti kimaumbile na zile za ukokotoaji zinazotumika leo.

Modeli ya kibaolojia yenye safu tatu

Jedwali hili halionyeshi matokeo ya jaribio la kineurobiolojia, bali modeli ya analojia ya kiutendaji ya makala. Maneno “Brain-LLM” na “brain-backend” si miundo halisi ya anatomia, bali ni lebo za kimawazo zinazotumiwa katika utafiti chanzo kueleza ulinganisho wa kiutendaji kati ya mifumo ya kibaolojia na bandia.

Kiambatisho A: Kurudi kwa uhandisi

Sehemu ya Kiambatisho A ya makala inadai kwamba, ingawa kuibuka kwa LLM kuliunda hisia kwamba akili bandia ilikuwa inaondoka kwenye mifumo ya kanuni iliyoundwa kwa mikono kwa kina, mifumo ya kisasa ya AI inazidi kutegemea uhandisi wa backend ulio tata zaidi. Retrieval, upangaji, tathmini, usimamizi wa muktadha na matumizi ya zana ni mifumo ya udhibiti iliyoundwa wazi nje ya modeli.

Kutokana na hili, mwandishi anafikia wazo kwamba siku zijazo usanifu wa moduli ambamo modeli ndogo zinafanya kazi na vipengele vya utafutaji, tathmini na upangaji unaweza kuwa muhimu zaidi kuliko modeli kubwa zaidi za kipande kimoja. Huu si utabiri wa kiempiria wa utendaji, bali ni pendekezo la kimawazo la siku zijazo linalotolewa na makala kutokana na mielekeo ya usanifu.

Mbinu na Matokeo ya Utafiti

Utafiti haufanyi jaribio jipya, seti ya data, sampuli ya watumiaji au ulinganisho wa modeli. Mbinu yake inajumuisha utenganishaji wa kimawazo wa usanifu wa kisasa wa LLM, uchanganuzi wa kiutendaji wa vipengele vya uratibu wa backend, ulinganisho wa kimuundo na utambuzi wa kibaolojia pamoja na nadharia za fahamu, hoja ya kinadharia ya taarifa kupitia Shannon Data Processing Inequality na majaribio ya fikra. Kwa hiyo “matokeo” yafuatayo si vipimo vya utendaji vilivyopimwa, bali ni hitimisho kuu za kimawazo zilizofikiwa na utafiti chanzo.

Hitimisho la kwanza la kimawazo: tabia ya AI si sifa ya LLM pekee

Makala inadai kwamba tabia ya mifumo ya kisasa ya AI ni zao la mwingiliano kati ya modeli na backend. Bila usimamizi wa muktadha, retrieval, matumizi ya zana na upangaji, haipaswi kutarajiwa kwamba modeli itadumisha yenyewe tabia ya mfumo ya muda mrefu iliyoelekezwa kwenye lengo.

Hitimisho la pili la kimawazo: Backend hutoa kazi ya uthabiti kwa njia ya kialgorithimu

Backend inaweza kuwasilisha tena muktadha wa awali, kuchagua taarifa muhimu, kutathmini matokeo na kupanga hatua zinazofuata za uchakataji. Mwandishi analinganisha kazi hizi kiutendaji na baadhi ya majukumu ya kuunganisha katika fahamu. Hata hivyo, uthabiti wa kialgorithimu na fahamu ya kifeno-mena havichukuliwi kuwa kitu kimoja.

Hitimisho la tatu la kimawazo: safu ya kifeno-mena inaonekana kukosekana katika mifumo bandia

Kulingana na dai kuu la kifalsafa la makala, fahamu ya binadamu si safu nyingine tu ya kialgorithimu inayochakata taarifa. Ndani ya fahamu, yaliyomo kiakili hupatikana kwa njia ya kimaudhui na uwepo huu wa kifeno-mena unaweza kuchangia uthabiti wa fikra. Hakuna dai kwamba eneo kama hilo la uzoefu lipo katika usanifu wa kisasa wa AI.

Hitimisho la nne la kimawazo: upangaji upya wa kikokotozi lazima utofautishwe na taarifa mpya ya Shannon

Kwa kuanzia DPI, mwandishi anadai kwamba mifumo ya kikokotozi inaweza kupanga upya taarifa iliyopo kwa namna mpya na yenye manufaa, lakini jambo hilo halipaswi kulinganishwa na kuumbwa kwa taarifa mpya ndani ya mfumo kwa maana ya Shannon. Makala haijapima dai hili kwa njia ya majaribio kwenye LLM fulani.

Hitimisho la tano la kimawazo: “AI Theorem” si theorem rasmi

Pendekezo linaloitwa “AI Theorem” katika chanzo ni kanuni ya kimawazo inayoeleza kwamba uthabiti wa taarifa katika mikondo ya ukokotoaji wa marudio unaweza kudhoofika bila ingizo la nje na uthabiti wa usanifu. Mwandishi anasema wazi kwamba dai hili halikutokana na kipimo cha kiempiria na halijawasilishwa kama theorem rasmi ya kihisabati.

Je, hipotesi ya u-orthogonal inathibitishwa na utafiti?

Hapana. Makala haithibitishi kwa majaribio wala kihisabati hipotesi kwamba fahamu ni orthogonal kwa ukokotoaji; chanzo kinasema wazi kwamba zana za sasa za kiempiria na kinadharia hazitoshi kuthibitisha au kukanusha hipotesi hiyo. U-orthogonal ni hipotesi ya utafiti wa kimawazo inayofungua mjadala juu ya tofauti inayowezekana ya kimaumbile kati ya ugumu wa ukokotoaji na uzoefu wa kifeno-mena.

Jukumu la kisayansi la vielelezo vya chanzo

Tafsiri zinazoungwa mkono na utafiti

• Utafiti chanzo unadai kwamba mifumo ya kisasa ya AI inapaswa kueleweka kwa kutathmini LLM pamoja na backend inayoiendesha.
• Kazi za uratibu za backend kama usimamizi wa muktadha, retrieval, matumizi ya zana, upangaji, tathmini na uratibu zimefafanuliwa wazi katika chanzo.
• Mwandishi anaweka analojia ya kiutendaji kati ya backend na fahamu kwa upande wa uthabiti na ujumuishaji.
• Makala haisemi kwamba backend ina uzoefu wa kifeno-mena.
• Mtelezo wa uzalishaji ni mojawapo ya dhana kuu kuhusu kuvurugika kwa mwelekeo wa mada na maana katika michakato mirefu ya autoregressive.
• DPI inatumika katika chanzo kama kikomo cha kimawazo kuhusu mtiririko wa taarifa.
• Hipotesi ya u-orthogonal inapendekeza kwamba ugumu wa ukokotoaji peke yake huenda usizalishe fahamu ya kifeno-mena.

Tafsiri ambazo utafiti hauungi mkono

• Hauthibitishi kwamba backend ina fahamu kweli.
• Hauonyeshi kwa majaribio kwamba LLM haziwezi kuwa na aina yoyote ya uelewa au uwezo wa utambuzi.
• Hauthibitishi kihisabati kwamba fahamu ni orthogonal kwa ukokotoaji.
• Hauthibitishi “AI Theorem” kama theorem rasmi na yenye uhalali wa jumla wa kihisabati.
• Haupimi kwa jaribio la sayansi ya neva mchango wa kisababishi wa uzoefu wa kifeno-mena katika uthabiti wa ubongo.
• Haulinganishi kwa kipimo cha utendaji kwamba usanifu fulani wa backend ni bora kuliko mingine.
• Hauonyeshi kwa uhakika kwamba modeli kubwa zaidi au usanifu wa siku zijazo hauwezi kukuza fahamu.
• Hauhitimishi kwamba fahamu bandia haiwezekani kimsingi.

Mapungufu makuu ya kimetodolojia

Kwa sababu makala haina jaribio la kiempiria, nguvu ya maelezo ya analojia za kiutendaji zinazopendekezwa inatathminiwa kwa msingi wa uthabiti wa kimawazo. Ufanano kati ya backend na fahamu si usawa wa kibaolojia uliopimwa. Vivyo hivyo, haijaonyeshwa kwa majaribio katika utafiti huu kwamba mtelezo wa uzalishaji unatokana na kutokuwepo kwa fahamu ya kifeno-mena.

Matumizi ya DPI kwa usanifu wa AI yamehifadhiwa kwa makusudi katika kiwango cha kimawazo katika chanzo. Haidaiwi kwamba kikomo cha uchakataji wa taarifa katika minyororo ya Markov ni nadharia rasmi inayoweza kueleza peke yake sifa zote za kiutambuzi za LLM fulani au mfumo wa agent.

Hipotesi ya u-orthogonal ni hitimisho lenye nguvu zaidi lakini pia lenye ukisia mkubwa zaidi katika utafiti. Chanzo chenyewe kinasema kwamba hipotesi haijathibitishwa wala kukanushwa kwa zana za sasa.

Maelezo ya Chanzo na Mbinu

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

Mwandishi: Pavel Straňák.

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

Jarida: Philosophies.

Mchapishaji: MDPI.

Rekodi ya bibliografia: Philosophies 2026, 11(3), 98.

DOI: 10.3390/philosophies11030098.

Kiungo rasmi cha chapisho: https://www.mdpi.com/2409-9287/11/3/98

Tarehe ya kuchapishwa: 17 Juni 2026. Makala ilipokelewa 30 Aprili 2026, ikarekebishwa 5 Juni 2026 na ikakubaliwa 16 Juni 2026.

Aina ya chanzo: Makala ya falsafa ya kimawazo iliyopitiwa na wenzao; utafiti wa kinadharia katika makutano ya falsafa ya akili bandia, falsafa ya fahamu na nadharia ya taarifa.

Mbinu kuu: Kutenganisha kiutendaji usanifu wa kisasa wa AI kuwa LLM na backend; kuchanganua kazi za backend za muktadha, retrieval, kumbukumbu, matumizi ya zana, upangaji na tathmini; ulinganisho wa kimuundo na utambuzi wa kibaolojia; dhana ya qualia na “turubai ya ndani” ya kifeno-mena; hoja ya kinadharia ya taarifa kupitia Shannon Data Processing Inequality; majaribio ya fikra na ukuzaji wa hipotesi ya u-orthogonal.

Data/sampuli: Utafiti hauripoti data mpya ya majaribio wala seti ya data ya utendaji wa binadamu/AI.

Leseni: Creative Commons Attribution (CC BY).

Ufadhili: Utafiti haukupokea ufadhili wa nje.

Kamati ya maadili: Iliripotiwa kuwa haitumiki.

Ridhaa yenye taarifa: Iliripotiwa kuwa haitumiki.

Upatikanaji wa data: Imeelezwa kwamba michango asili ya utafiti imo ndani ya makala; mfumo wa kinadharia umetolewa na data ya kiempiria haijaripotiwa.

Mgongano wa maslahi: Mwandishi ametangaza kwamba hakuna mgongano wa maslahi.

Michango ya mwandishi: Utafiti una mwandishi mmoja na chanzo hakina taarifa tofauti ya CRediT “Author Contributions”.

Taarifa ya matumizi ya LLM: Mwandishi amewashukuru wenzake kwa majadiliano; ameeleza kwamba baadhi ya vifungu na vielelezo vya makala vilitayarishwa au kuboreshwa kwa msaada wa modeli kubwa ya lugha iitwayo Microsoft Copilot 2026, na kwamba yeye anawajibika kikamilifu kwa maudhui na hitimisho.

Kikomo kikuu cha kimetodolojia: Analojia ya backend–fahamu, AI Theorem na hipotesi ya u-orthogonal ni mapendekezo ya kimawazo yasiyotegemea uthibitisho wa kiempiria. Matokeo ya makala hayawezi kutumiwa kama vipimo vya majaribio vya utendaji wa LLM za sasa au mifumo ya kineurobiolojia ya fahamu.

Kikomo cha matumizi ya kisayansi: Maandishi haya ya Verianla yanaeleza kwa mtindo wa kufundisha mfumo wa kimawazo na mipaka ya madai ya utafiti chanzo; hayachukui nafasi ya makala asili. Kwa tafsiri ya DPI, ulinganisho na nadharia za fahamu na msingi wa kifalsafa wa dai la u-orthogonal, rekodi asili ya DOI inapaswa kuchunguzwa.