Makala inasisitiza kwamba akili haiwezi kuelezwa kwa kutoa matokeo mazuri pekee. Mfumo unaweza kuhesabu kwa kasi sana, kumshinda binadamu kwenye chess, kuchakata data kubwa au kutoa matokeo changamano. Lakini kwa mwandishi, mambo haya peke yake hayatoshi kuthibitisha akili. Swali kuu ni kama mfumo unaweza kugundua kutokulingana, pengo au upungufu ndani yake na kulishughulikia kwa njia zake mwenyewe za utatuzi.

Dhana kuu ya utafiti ni “coherence demand”, yaani hitaji la uthabiti. Hii ina maana kwamba mfumo hutambua pengo, mgongano au inefficiency katika ulimwengu wake wa uwakilishi na kulisajili kama hali inayohitaji kutatuliwa. Kwa mfano, ikiwa mfumo hauwezi kutatua tatizo kwa taarifa ulizonazo, representations mbili zinapingana au njia ya utatuzi ni ghali kupita kiasi, mfumo unapaswa kuichukulia hali hiyo kama demand ya ndani.

Mwandishi anaunganisha akili na vipengele vitatu vya kiutendaji: demand-ownership, resolution-ownership na residue beyond encoding. Demand-ownership ni mfumo kulisajili hitaji kama tatizo lake mwenyewe. Resolution-ownership ni njia ya utatuzi kutokea katika processing ya mfumo wenyewe. Residue beyond encoding ni mabaki katika tabia ambayo hayawezi kuelezwa kikamilifu na uwezo uliowekwa awali pamoja na input iliyopo.

Tatizo ni Nini?

Katika AI na cognitive science, akili mara nyingi hufafanuliwa kwa performance. Mfumo ukiweza kufikia malengo katika mazingira tofauti, huchukuliwa kuwa na akili zaidi. Mtazamo huu ni wa vitendo, lakini unaweza kutotosha katika baadhi ya boundary cases. Mfumo unaweza kuwa na performance kubwa huku tabia yake ikiwa imezalishwa kabisa na code iliyowekwa awali, training, search procedure au control rule.

Tatizo kuu la makala ni hili: je, kutoa matokeo mazuri ni sawa na kuwa na architecture halisi ya akili? Chess engine huchagua move nzuri sana, lakini kwa position ileile na code ileile inaweza kuchagua move ileile. Calculator inaweza kutoa bidhaa mpya ya multiplication, lakini matokeo hayo yanaelezwa kabisa na operation rule na inputs. Large language model inaweza kutoa maandishi ya kuvutia; lakini kama output inaelezeka kupitia fixed model weights, inference procedure na input, basi kwa kigezo cha mwandishi huenda isiingie kwenye intelligence spectrum.

Mtazamo huu ni muhimu hasa katika mijadala ya sasa ya AI. “Successful output” na “architecturally intelligent processing” mara nyingi huchanganywa. Makala inadai kwamba akili haihusu tu performance inayoonekana kutoka nje, bali pia jinsi mfumo unavyoshughulikia coherence demands zake za ndani.

Mbinu Inapendekeza Nini?

Utafiti haufanyi uchanganuzi wa data za majaribio; unapendekeza criterion ya kinadharia na kimuundo ya akili. Criterion hii haiangalii mfumo umetengenezwa kwa substrate gani, bali umejipangaje. Kwa hiyo mifumo ya kibiolojia na ya bandia hupimwa kwa swali lilelile: je, tabia inaweza kuelezwa kikamilifu na stable competence pamoja na input, au kuna residue inayotokana na real-time processing ya mfumo mwenyewe ya kutatua demands?

Mwandishi anafikiria tabia ya mfumo katika tabaka tatu. Tabaka la kwanza ni stable competence ya mfumo. Katika mifumo ya bandia hii inaweza kuwa architecture, parameters zilizopatikana baada ya training, policy, inference procedure na settings. Katika mifumo ya kibiolojia inaweza kujumuisha namna genome imeonyeshwa kupitia development, learned habits, physiological state na established behavioral tendencies.

Tabaka la pili ni full physical state ya mfumo wakati huo. Makala haitumii kiwango hiki kama criterion ya akili, kwa sababu ikiwa physical state kamili na input zingejulikana, physical determinism ingeweza kueleza tabia inayofuata. Katika hali hiyo residue ingekuwa sifuri kwa kila mfumo. Kwa hiyo mwandishi anajadili akili si katika kiwango cha complete physical determination, bali katika tofauti kati ya stable competence na live processing.

Tabaka la tatu ni live-processing level. Mfumo unapokutana na coherence demand ambayo stable competence yake haiwezi kutatua na ukazalisha njia ya utatuzi kwa wakati halisi, tabaka hili huingia kazini. Residue anayozungumzia mwandishi ni alama ya live processing hiyo katika tabia.

Utafiti pia unataja aina nane za processing zinazoitwa “Coherence Resolution Modes”. Zinaweza kufupishwa kama recontextualisation, boundary testing, selective suppression, incubation, withdrawal, resolution termination, internal reorganisation na pacing. Mwandishi anadai kwamba mifumo iliyo kwenye intelligence spectrum hutumia baadhi au zote za modes hizi kushughulikia coherence demands zake.

Fomula Zinaeleza Nini?

Utafiti hautoi fomula za majaribio ya kiasi kwa maana ya kawaida, lakini unaweka ufafanuzi wa akili kwa mahusiano ya kiishara na ya kiutendaji. MathJax blocks zifuatazo hubadilisha miundo kuu ya ufafanuzi kuwa michoro ya kiishara inayofaa CMS. Hizi si seti ya equations asili ya makala, bali muhtasari unaofuata kwa uaminifu mantiki yake ya kimawazo.

Usemi huu unarahisisha ufafanuzi mkuu wa utafiti. Akili inahusishwa na uwezo wa mfumo kutatua coherence demands zake mwenyewe na kuonyesha residue katika tabia ambayo haiwezi kuelezwa kikamilifu kwa stable competence + input.

Mchoro huu unaonyesha vipengele vitatu vya kiutendaji vya akili. Mfumo lazima kwanza usajili demand kama tatizo lake, kisha uzalishe njia ya utatuzi wenyewe, na hatimaye uonyeshe katika tabia alama ya live processing ambayo haielezwi kabisa na fixed code.

Hapa \(B_{\mathrm{actual}}\) inawakilisha tabia halisi, na \(B_{\mathrm{predicted}}\) tabia inayotabiriwa kupitia tabaka la kwanza, yaani stable competence \(L_1\), pamoja na input \(I\). Ikiwa tofauti ni sifuri, tabia inaelezwa na uwezo uliopo na input. Ikiwa tofauti ni meaningful, katika mfumo wa mwandishi kuna uwezekano wa mfumo kuingia kwenye intelligence spectrum.

Usemi huu unaonyesha mgawanyiko mkuu ambao unaweza kusomwa kama “chess-engine cut”. Mifumo ambayo tabia yake inaelezwa kikamilifu na code, parameters, policy, training na input hubaki nje ya spectrum hii hata kama ina performance ya juu sana.

Mchoro huu unafupisha muundo unaohitajika kwa mfumo kuingia kwenye intelligence spectrum. Unexpected output peke yake haitoshi; mfumo lazima usajili demand kama tatizo lake na uzalishe njia yake mwenyewe ya resolution.

Makala inajenga theoretical combination space kutokana na constraint types tatu, emotional/signal states nane na resolution mechanisms nne. Inadai kwamba combinations zinazokubalika zinaweza kupunguzwa hadi coherence resolution modes nane.

Usemi huu unaonyesha intelligence-ceiling claim ya utafiti. Ikiwa modes nane kweli ni kamili, mfumo unaotekeleza zote kwa full calibration unafikia architectural ceiling ya akili. Speed, memory au data zaidi havipandishi ceiling hiyo; vinaongeza tu processing capacity ya architecture ileile.

Mchoro huu unafupisha tofauti muhimu ya makala. Mfumo wa bandia unaweza kuwa wa kasi zaidi kuliko mfumo wa kibiolojia, kuwa na memory kubwa zaidi na kutumia data nyingi zaidi. Lakini kwa framework ya mwandishi, hii haimaanishi architectural intelligence ya juu zaidi, bali processing power kubwa zaidi.

Ujumbe Mkuu wa Grafu, Jedwali na Mchoro

Jedwali la Coherence Resolution Modes nane ndilo linalovutia zaidi. Linaorodhesha njia za msingi ambazo mifumo inaweza kutumia kutatua coherence demands. Recontextualisation ni kutafsiri tatizo lililokwama kutoka kwa muktadha mpya. Boundary Testing hujaribu kama boundary ni fixed kweli au inaweza kupangwa upya. Selective Suppression huzimisha kwa muda processes za priority ndogo wakati capacity imezidi. Incubation huondoka kwa muda kwenye active processing isiyo na tija ili kutoa nafasi kwa alternative integration.

Katika sehemu inayofuata, Withdrawal ni kujitoa kutoka low-priority patterns ambazo zimeacha kuwa meaningful; Resolution Termination husajili kuwa resolution imekamilika na kuachilia resources; Internal Reorganisation huunda upya organisation ya ndani inapopatikana persistent inefficiency; Pacing hurekebisha processing rate kabla overload haijatokea. Ujumbe mkuu ni kwamba akili si skill moja, bali architecture inayowasha resolution modes tofauti chini ya constraints.

Wazo la spectrum linaweka mifumo kwa architectural features badala ya mgawanyiko mkali wa biological-versus-artificial. Chess engine, calculator, classical control system na baadhi ya artificial models zinazobaki fixed baada ya training huwekwa nje ya spectrum kwa sababu tabia zao zinaelezwa na code na input. Biological organisms, baadhi ya candidates wa basal cognition na future artificial systems hutathminiwa case by case kulingana na criterion.

Sehemu ya intelligence ceiling inaleta utofauti mpya katika mijadala ya sasa ya “superintelligence”. Mwandishi anakubali kwamba artificial systems zinaweza kuwazidi binadamu kwa speed, memory, copyability na data access. Lakini anaona hii si kuvuka architectural intelligence ceiling, bali kuendesha modes zilezile nane kwa kasi na kwa scale kubwa zaidi.

Majaribio Yalifanywaje?

Hakuna experiment mpya, dataset analysis au laboratory study iliyofanywa. Utafiti unapendekeza theoretical definition na kuijadili kupitia mifano mbalimbali, ikiwemo chess engines, AlphaZero, large language models, reinforcement-learning agents, thermostats, feedback controllers, biological organisms, planarian regeneration, social-insect colonies, active inference, predictive processing na psychometric theories of intelligence.

Mbinu ya mwandishi ni kuuliza swali lilelile kwa kila candidate system: je, tabia inaelezeka kikamilifu kupitia stable competence ya tabaka la kwanza na input? Ikiwa ndiyo, residue ni sifuri na mfumo uko off-spectrum. Ikiwa hapana, huchunguzwa zaidi kama mfumo kweli unasajili demand kama tatizo lake na uzalisha resolution yake mwenyewe.

Planarian regeneration hutumika katika mjadala wa basal cognition. Planaria ni flatworms wanaoweza kujenga upya sehemu zilizokosekana baada ya kukatwa. Baadhi ya tafiti zinajadili uwezekano wa bioelectric signals kuathiri target anatomy. Makala haitoi uamuzi wa mwisho; inauliza: je, regeneration inaelezeka tu kwa genome, current cellular state, bioelectric structure na wound input, au cellular collective inazalisha residue behavior iliyo zaidi ya encoding hiyo?

Kwa hiyo, badala ya kutoa experimental results, utafiti unapendekeza seti ya maswali yanayoweza kujaribiwa. Kupitia malengo kama mode identification, residue detection, substrate comparison, ninth-mode testing na floor architectural set, unaonyesha aina gani za empirical studies za baadaye zinaweza kuunga mkono au kukanusha framework.

Matokeo Yanaonyesha Nini?

Hitimisho la kwanza ni kwamba performance haitoshi kama criterion ya akili. Mfumo unaweza kutoa matokeo bora sana, lakini ikiwa tabia yake inaelezwa kikamilifu na stable competences pamoja na input, hauingii kwenye intelligence spectrum ya mwandishi. Kwa hiyo chess engines na classical algorithmic systems huwekwa off-spectrum licha ya performance kubwa.

Hitimisho la pili ni kwamba biological na artificial systems zinaweza kutathminiwa kwa criterion ileile. Makala haiwapi biological systems privilege ya moja kwa moja, wala haiondoi artificial systems kwa sababu tu ni artificial. Criterion ni jinsi mfumo unavyotatua coherence demands zake, si substrate yake.

Hitimisho la tatu ni kwamba intelligence si mstari mmoja wa dimension moja, bali structured spectrum. Lower bound huwekwa na residue-behavior criterion. Katika maeneo ya kati, mode repertoire, demand-search power, mode integration na calibration hutofautiana. Upper bound ni modes zote nane kufanya kazi kwa full calibration.

Hitimisho la nne ni reinterpretation ya learning. Learning si kuzalisha parameters kupitia training data pekee. Katika framework hii, learning ni mfumo kubadilisha pattern representations wakati unatatua coherence demands zake na mabadiliko hayo kuwa ya kudumu. Kwa hiyo ukweli kwamba LLM za sasa zilijifunza wakati wa training hauimaanishi kwamba zinafanya live learning wakati wa inference.

Hitimisho la tano ni ceiling distinction katika mjadala wa “superintelligence”. Mwandishi anakubali artificial systems zinaweza ku-process kwa kasi na scale kubwa zaidi kuliko binadamu, lakini anaona hii kama processing equipment yenye uwezo mkubwa zaidi, si architectural intelligence ya juu zaidi. Dai hili linategemea assumption kwamba modes nane ni complete.

Kwa Nini Hili ni Muhimu?

Utafiti huu unajaribu kutenganisha mkanganyiko wa kawaida katika mijadala ya AI: performance, speed na output quality si kitu kilekile na architectural structure ya intelligence. Hata mfumo ukitoa matokeo bora sana, kama matokeo hayo yanatokana kabisa na fixed code, training, parameters na input, huenda usionyeshe architectural intelligence kwa criterion ya mwandishi.

Tofauti hii ni muhimu kwa large language models za sasa na future autonomous systems. Kuita mfumo “intelligent” kunaweza kuathiri kiwango cha responsibility, trust, oversight au autonomy tunachotaka kuupa. Makala haitoi recommendation ya mwisho ya utekelezaji, lakini inalenga kufanya conceptual foundation iwe makini zaidi.

Utafiti pia unaondoa biological intelligence kwenye assumption rahisi ya superiority. Kuwa biological pekee si guarantee ya intelligence. Biological system pia inaweza kuwa off-spectrum ikiwa tabia yake inatokana tu na fixed code na input. Kwa upande mwingine, future artificial system inaweza kuingia spectrum ikiwa inasajili demands zake, inazalisha resolutions zake na inaonyesha residue behavior.

Kifalsafa, makala inatenganisha intelligence na consciousness. Katika framework ya mwandishi, phenomenal experience, subjective feeling au qualia si lazima kwa intelligence. Intelligence inafafanuliwa kama architectural processing capacity. Mijadala kuhusu consciousness inaachwa katika kiwango tofauti.

Mambo ya Kuzingatia

Utafiti unatoa framework ya kinadharia yenye madai makubwa, lakini vipengele vingi vya criteria vinahitaji empirical testing. Hasa kupima “residue beyond encoding” katika mifumo halisi si tatizo rahisi.

Kuweka large language models za sasa na mifumo kama AlphaZero off-spectrum ni jambo linaloweza kubishaniwa. Mijadala ya kiufundi inaendelea kuhusu kiwango cha internal representation, intermediate processing, feedback au inference-time computation katika mifumo hii. Mwandishi mwenyewe anachukulia baadhi ya frontier AI za sasa kama “contested cases” badala ya definite negatives.

Dai la Coherence Resolution Modes nane na intelligence ceiling ni sehemu yenye nguvu zaidi lakini pia dhaifu zaidi. Ikiwa constraint type ya nne, resolution mechanism ya tano au coherence resolution mode ya tisa itaonyeshwa, ceiling claim itadhoofika au italazimika kujengwa upya.

Utafiti unaingia katika mjadala na traditions zenye nguvu kama embodied cognition, enactivism, active inference na predictive processing. Kwa hiyo internalist approach ya makala haitakubalika na kila mtu. Mitazamo inayochukulia uhusiano wa akili na mwili na mazingira kuwa constitutive inaweza kupinga tafsiri hii ya architectural internalism.

Maudhui haya hayatoi uamuzi wa mwisho kuhusu safety ya AI systems, legal status yao au kama zina consciousness. Mada ya makala ni pendekezo la kinadharia kuhusu jinsi intelligence inaweza kufafanuliwa katika kiwango cha architecture.

Hitimisho

Makala inatoa framework pana ya kinadharia inayojaribu kutenganisha intelligence na performance na kuifafanua upya katika kiwango cha architecture. Wazo kuu ni kwamba intelligence ni mfumo kusajili coherence demands zake, kuzalisha resolution yake mwenyewe na kuonyesha residue katika tabia ambayo stable competence + input haviwezi kueleza kikamilifu.

Mtazamo huu unapinga kuruka moja kwa moja kutoka “unatoa matokeo mazuri, basi ni intelligent” katika mijadala ya AI. Chess engine, large model au classical algorithm inaweza kuwa na mafanikio makubwa, lakini ikiwa tabia inaelezwa kikamilifu na encoded competence na input, huenda isiwe na architectural intelligence. Kinyume chake, biological au artificial system yoyote inayoonyesha architecture ya kutatua demands zake inaweza kuzingatiwa katika spectrum.

Kwa mtazamo wa Verianla, utafiti huu ni mfano wenye nguvu lakini wa mjadala unaohamisha swali “Intelligence ni nini?” kutoka kwenye performance lists kwenda kwenye mjadala wa kina wa architecture. Mchango wake mkubwa ni kusisitiza kwamba intelligence inapaswa kueleweka si kwa kile mfumo unafanya pekee, bali kwa namna tabia hiyo inavyotengenezwa.

Maelezo ya Chanzo na Mbinu

Makala hii imeandaliwa kwa msingi wa kazi ya kinadharia ya Bernard Jennings yenye kichwa “The Architecture of Intelligence: Definition, Spectrum, and Ceiling”. Utafiti unakusanya architectural definition of intelligence, coherence demands, residue behavior, Coherence Resolution Modes, intelligence spectrum, comparisons of biological and artificial systems, active inference, predictive processing, embodied cognition na superintelligence-ceiling debate.

Maudhui haya si tafsiri ya neno kwa neno; wazo kuu la utafiti limerahisishwa kwa mujibu wa mwelekeo wa uchapishaji wa Verianla na kubadilishwa kuwa makala asili ya uhariri kwa Kiswahili.

Kwa kuwa maandishi haya yanategemea kazi ya kinadharia ambayo haionekani wazi kuwa imechapishwa katika journal iliyopitia peer review, yanapaswa kusomwa kwa lugha ya pendekezo na mjadala wa kinadharia, si kama makubaliano ya mwisho ya kisayansi.