Коллективный кризис человечества как путь к подлинному «сверхразуму»: почему аффективная реальность человека не сводима к алгоритмическим и нейроморфным процессам

Обложка

Цитировать

Полный текст

Аннотация

В эпоху стремительного развития искусственных нейронных сетей философия Ж. Симондона предлагает радикально новый взгляд на природу «сверхразума» (ASI). В отличие от популярных технократических концепций, таких как «сингулярность» Р. Курцвейла, «глобальный мозг» Ф. Хейлигена, «интеллектуальный взрыв» И.Дж. Гуда или «вычислительный функционализм» Д. Чалмерса, сводящих «сверхразум» к вычислительной мощности и алгоритмической сложностности, Симондон раскрывает его как эмерджентный и динамичный результат психической и коллективной фаз индивидуации, а именно как процесс, требующий всегда аффективного напряжения, экзистенциальных кризисов и трансформации всей «человеко-машинной» экологии. Эта статья актуальна как ответ на тупик современных искусственных нейронных сетей, которые, несмотря на впечатляющие результаты в области рекурсивного самосовершенствования, остаются «операторами метаструктур», лишенными сознания и творческой глубины, будучи заключенными в рамки «динамической схемы» технической фазы индивидуации. Методологический подход исследования базируется на последовательном применении четырех взаимодополняющих методов: феноменологический анализ, герменевтический анализ, синергетический подход и биосоциально-семиотический анализ. Предложенная методология позволяет подойти к этому сложнейшему процессу комплексно: от индивидуального переживания (феноменология) через осмысление и коммуникацию (герменевтика) к динамике системных переходов (синергетика) с постоянным учетом биосоциальной и семиотической укорененности человека (биосоциально-семиотический анализ). Новизна подхода Симондона заключается в радикальном переосмыслении пути к «сверхразуму»: не через алгоритмические прорывы, а через экзистенциальное преодоление цивилизационного кризиса, где техника становится не заменой человека, а новым «органом» его коллективного интеллекта. Анализируя фундаментальные ограничения искусственных нейронных сетей и перспективные разработки (от AGI до нейроморфных искусственных чипов), статья доказывает: подлинный «сверхразум» возможен лишь как метаморфоза человеческого на основе аффективной глубины, а не как его алгоритмическая симуляция. Вопреки технократическим утопиям, Симондон трактует «сверхразум» не как инженерный продукт, а как эмерджентный итог глобального эволюционного перелома – экологического, смыслового и технологического, где человечество, трансформируя разобщенность в солидарность, совершает скачок к новой трансиндивидуальной (техносоциальной) фазе индивидуации. Главный вывод статьи: без спонтанной аффективности и кризиса как «горючего» трансформации даже самые совершенные искусственные нейросети останутся «слепыми» операторами «метаструктур».

Об авторах

Владислав Олегович Саяпин

Тамбовский государственный университет им. Г.Р. Державина

Email: vlad2015@yandex.ru
ORCID iD: 0000-0002-6588-9192
доцент; кафедра истории и философии;

Список литературы

  1. Kissinger H., Schmidt E., Huttenlocher D. The Age of AI: And Our Human Future. Boston: Little, Brown and Company, 2021. 272 с.
  2. Simondon G. Du mode d'existence des objets techniques. Paris: Aubier, 1958. 266 с.
  3. Simondon G. L'individu et sa genèse physico-biologique. Paris: Presses universitaires de France, 1964. 304 с.
  4. Simondon G. L'individuation psychique et collective. Paris: Aubier, 1989. 293 с.
  5. Simondon G. Gilbert Simondon: une pensée de l'individuation et de la technique. Paris: Albin Michel, 1994. 278 с.
  6. Simondon G. L'individuation à la lumière des notions de forme et d'information. Grenoble: Millon, 2005. 571 с.
  7. Olshausen B.A., Field D.J. Emergence of simple-cell receptive field properties by learning a sparse code for natural images // Nature. 1996. Vol. 381, No. 6583. С. 607-609. [Электронный ресурс]. Режим доступа: https://doi.org/10.1038/381607a0
  8. Marcus G. Deep learning: A critical appraisal. arXiv preprint arXiv:1801.00631. 2018. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/1801.00631
  9. Аршинов В.И., Свирский Я.И. Сложностный мир и его наблюдатель. Ч. 1-я // Философия науки и техники. 2015. № 2. С. 70-84. EDN: VCVPHD
  10. Саяпин В.О. Рекурсия как способ самоорганизации современного социума // Вестник Воронежского государственного университета. Серия: Философия. Воронеж, 2023. № 3 (49). С. 62-67. EDN: SRUPMZ
  11. Ивахненко Е.Н. Аллагматика Симондона vs диалектика Гегеля // Вестник Московского университета. М., 2023. Т. 47. № 6. С. 107-126.
  12. Аршинов В.И., Янукович М.Ф. Проблема техно-субъекта в оптике мышления "вместе-со-сложностностью" // Философские науки. 2024. Т. 67. № 3. С. 53-74. doi: 10.30727/0235-1188-2024-67-3-53-74 EDN: RCVGRY
  13. Kurzweil R. The Age of Spiritual Machines: When Computers Exceed Human Intelligence. New York: Viking, 1999. 388 с.
  14. Kurzweil R. The Singularity is Near. New York: Viking/Penguin Group, Viking Adult, 2005. 652 с.
  15. Bostrom N. Superintelligence: Paths, Dangers, Strategies. Oxford: Oxford University Press, 2014. 328 с.
  16. Bender E.M., Koller A. Climbing towards NLU: On meaning, form, and understanding in the age of data // Annual Meeting of the Association for Computational Linguistics (ACL 2020). 2020. С. 5185-5198. [Электронный ресурс]. Режим доступа: https://doi.org/10.18653/v1/2020.acl-main.463
  17. Combes M. Gilbert Simondon and the Philosophy of the Transindividual. Cambridge: MIT Press, 2012. 119 с.
  18. Thompson E. Mind in Life: Biology, Phenomenology, and the Sciences of Mind. Cambridge: Harvard University Press, 2007. 568 с.
  19. Gallagher S. Enactivist Interventions: Rethinking the Mind. Oxford: Oxford University Press, 2017. 258 с.
  20. Pfeifer R., Bongard J. How the body shapes the way we think: a new view of intelligence. Cambridge: MIT Press, 2006. 394 с.
  21. Clark A. Surfing Uncertainty: Prediction, Action, and the Embodied Mind. Oxford: Oxford University Press, 2016. 424 с.
  22. Саяпин В.О. Контингентность и метастабильность как концепты самоорганизации современного социума // Вестник Воронежского государственного университета. Серия: Философия. Воронеж, 2024. № 2. С. 47-53. EDN: XRPMKZ
  23. Rumelhart D.E., Hinton G.E., Williams R.J. Learning representations by back-propagating errors // Nature. 1986. Vol. 323. С. 533-536.
  24. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. Vol. 521, No. 7553. С. 436-444. [Электронный ресурс]. Режим доступа: https://doi.org/10.1038/nature14539
  25. Abadi M. et al. TensorFlow: A System for Large-Scale Machine Learning // Symposium on Operating Systems Design and Implementation (OSDI 16). 2016. С. 265-283. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/1603.04467
  26. Kingma D.P., Ba J.L. Adam: A Method for Stochastic Optimization // In: 3rd International Conference on Learning Representations (ICLR 2015), Conference Track Proceedings. 2015. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/1412.6980
  27. Jaderberg M. et al. Reading text in the wild with convolutional neural networks // International Journal of Computer Vision (IJCV). 2015. Vol. 116, No. 1. С. 1-20. [Электронный ресурс]. Режим доступа: https://doi.org/10.1007/s11263-015-0823-z EDN: XDUWMV
  28. Greff K. et al. Tagger: Deep Unsupervised Perceptual Grouping // Advances in Neural Information Processing Systems 29 (NIPS 2016). 2016. С. 4484-4492. [Электронный ресурс]. Режим доступа: https://papers.nips.cc/paper/2016/hash/6aca97005c68f1206823815f66102863-Abstract.html
  29. Hinton G.E. The Forward-Forward Algorithm: Some Preliminary Investigations. arXiv preprint arXiv:2212.13345. 2022. [Электронный ресурс]. Режим доступа: https://arxiv.org/abs/2212.13345
  30. Goodfellow I., Bengio Y., Courville A. Deep learning. Cambridge: MIT Press, 2016. 800 с.
  31. Wan L. et al. Regularization of Neural Networks using DropConnect // Proceedings of the 30th International Conference on Machine Learning (ICML 2013). 2013. Vol. 28. С. 1058-1066.
  32. Sabour S., Frosst N., Hinton G.E. Dynamic Routing Between Capsules // Advances in Neural Information Processing Systems (NIPS). 2017. Vol. 30. С. 3856-3866.
  33. Indiveri G. et al. Neuromorphic Silicon Neuron Circuits // Frontiers in Neuroscience. 2011. Vol. 5, No. 73. [Электронный ресурс]. Режим доступа: https://doi.org/10.3389/fnins.2011.00073
  34. Davies M. et al. Loihi: A Neuromorphic Manycore Processor with On-Chip Learning // IEEE Micro. 2018. Vol. 38, No. 1. С. 82-99. [Электронный ресурс]. Режим доступа: https://doi.org/10.1109/MM.2018.112130359
  35. Merolla P.A. et al. A Million Spiking-Neuron Integrated Circuit with a Scalable Communication Network and Interface // Science. 2014. Vol. 345, No. 6197. С. 668-673. [Электронный ресурс]. Режим доступа: https://doi.org/10.1126/science.1254642
  36. Furber S.B. et al. The SpiNNaker Project // Proceedings of the IEEE. 2014. Vol. 102, No. 5. С. 652-665. [Электронный ресурс]. Режим доступа: https://doi.org/10.1109/JPROC.2014.2304638
  37. Mead C. How We Created Neuromorphic Engineering // Nature Electronics. 2020. Vol. 3, No. 7. С. 434-435. [Электронный ресурс]. Режим доступа: https://doi.org/10.1038/s41928-020-0448-2 EDN: PPPDIM

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).