A vita arról, hogy a mesterséges intelligencia valóban képes-e a megértésre, évek óta foglalkoztatja a technológiai és filozófiai szakértőket. Egy friss, több milliós elérésű X (Twitter) poszt szerint az LLM-ek, vagyis a nagy nyelvi modellek, nem értenek semmit, csupán statisztikailag jósolják meg a következő szavakat. Ezt az álláspontot azonban komoly oktatási és szabályozási elméletek cáfolják.
Benjamin Bloom legendás taxonómiája, illetve Ashby elméletei a rendszerirányításról azt sugallják: a megértés valójában mérhető teljesítményhez, viselkedéshez köthető, nem pusztán belső élményhez. Példákkal támasztják alá, hogy a modern MI rendszerek – például a DeepMind vagy az Anthropic fejlesztései – képesek komplex feladatok emlékezeti, elemzési, alkalmazási és kreatív megoldására is.
Felvetődik a kérdés: tényleg csak akkor beszélhetünk megértésről, ha jelen van a tudatosság élménye? Vagy elég, ha egy rendszer tesztelhető, ellenőrizhető módon produkálja a megértés viselkedéses jeleit? A videó részletesen boncolgatja az olyan klasszikus filozófiai problémákat is, mint a kínai szoba gondolatkísérlet vagy az „explanatory depth” illúziója, vagyis hogy sokszor az emberek is azt hiszik, értenek valamit, de egy részletes magyarázat során kiderül, hogy mégsem.
Az előadás ugyanakkor az emberi és gépi felelősségről, az MI rendszerek megbízhatóságáról, valamint az eltérő teljesítmények okairól is elgondolkodtat. Olyan kérdéseket vet fel, mint hogy hol húzódnak a határok gép és ember megértése között, és mennyire bízhatunk az MI teljesítményében, ha a tudatosságot nem tudjuk objektíven mérni.
