ノーム・チョムスキー：人工知能はどこに間違った方向に進んだのですか？

翻訳者のコメント：6年前に公開された伝説の言語学者との詳細なインタビューですが、その関連性は失われていません。 ノーム・チョムスキー-「現代のアインシュタイン」と呼ばれる彼は、人間の思考と言語の構造、人工知能、現代科学の状態に関する考えを共有しています。 先日、彼は90歳になりましたが、これが記事を出版する正当な理由のようです。 インタビューは若い認知科学者のヤーデン・カッツによって行われ、彼自身が主題に精通しているため、会話は非常に有益であり、質問は答えと同じくらい興味深いものです。


最大かつ最も達成不可能な知的タスクのリストを作成するという目標を設定した場合、自分の「デコード」タスク-心と脳の内部構造を理解し、これらの要素のアーキテクチャがゲノムにどのようにエンコードされるか-が間違いなくトップになります。 しかし、哲学や心理学からコンピューターサイエンスや神経科学に至るまで、この課題を取り上げてきたさまざまな知識分野は、どちらのアプローチが正しいかについての意見の相違に圧倒されています。

1956年、コンピューター科学者のジョンマッカーシーは、コンピューター上でその重要な属性を再構築することにより心を研究する科学を記述するために「人工知能」（AI）という用語を生み出しました。 細胞や組織という形の私たち自身の「機器」の代わりに、人工の機器を使用して合理的なシステムを作成することは、完全な理解の実例となり、スマートデバイスやロボットの形での実用的なアプリケーションを伴うことでした。

しかし、マッカーシーの同僚の何人かは、関連する学問分野から、人間や他の動物で心がどのように機能するかにもっと興味を持っていました。 ノアム・チョムスキーと彼の同僚は、後に認知科学として知られるようになったものに取り組みました-私たちの認知能力と精神能力の根底にある精神的表象とルールの発見。 チョムスキーと彼の同僚は、ハーバードの心理学者B.F.が率いる当時支配的な行動主義パラダイムを覆しました。 スキナー。動物の行動が、励ましまたは罰の形での行動とその結果の間の単純な関連セットに縮小されました。 心理学におけるスキナーの研究の欠点は、1959年のチョムスキーの著書「言語行動」に関する批判的なレビューから明らかになりました。そこでは、スキナーは行動原理を使用して言語能力を説明しようとしました。

スキナーのアプローチは、刺激と動物の反応との関連を強調しました。これは、過去の結果として未来を予測する経験的統計分析として簡単に提示されるアプローチです。 一方、チョムスキーの言語の概念は、ゲノムにエンコードされた内部表現の複雑さと、単純に関連付けのセットに分解できない複雑なコンピューティングシステムにデータを取得するプロセスの開発に焦点を当てていました。 アソシエーションの行動主義の原則は、言語知識の豊かさ、それを無限に創造的に使用すること、または子供たちが環境が提供する最小限で騒々しいデータからすぐにそれを習得する理由を説明できませんでした。 チョムスキーが言った「言語能力」は、視覚系、免疫系、心血管系などの体の遺伝的資金の一部であり、他のより一般的な生物系を研究するのと同じ方法で研究すべきです。

ChomskyのMITの同僚である神経科学の専門家であるDavid Marrは、著名な書籍Visionで複雑な生体システム（脳など）を研究するための一般的なアプローチを定義しました。 Marrによれば、複雑な生物学的システムは3つの異なるレベルで理解できます。 最初のレベル（「計算レベル」）は、システムの入出力を記述し、システムによって実行されるタスクを決定します。 視覚システムの場合、入力は網膜に投影された画像であり、出力は脳による画像内のオブジェクトの識別です。 2番目のレベル（「アルゴリズムレベル」）は、入力を出力に変換する手順、つまり、網膜上の画像を処理して、計算レベルで記述されたタスクを達成する方法を示します。 最後に、3番目のレベル（「実装レベル」）では、細胞からの生物学的機器がアルゴリズムレベルで説明した手順をどのように実行するかを説明します。

私たちの心がどのように機能するかを理解する上でのチョムスキーとマーのアプローチは、可能な限り行動主義とはかけ離れています。 システムの過去の動作と環境との間の外部の関連付けではなく、システムがタスクを完了できるようにする内部構造に重点が置かれています。 目標は、システムを制御する「ブラックボックス」に侵入し、その内部構造、プログラマーがよく発達したソフトウェア製品の原理をどのように説明できるか、またそれをホームコンピューターで実行する方法を説明することです。

現在一般に受け入れられているように、認知科学の歴史は、スキナーの行動主義パラダイムに対するチョムスキーのアプローチの明白な勝利の物語です-チョムスキー自身はそのような名前を否定していますが、しばしば「認知革命」と呼ばれるイベントです。 これは認知科学と心理学の状況を正確に反映していますが、他の関連する科学では、行動思考は死ぬことはありません。 動物行動の行動実験パラダイムおよび関連説明は、神経科学の専門家によって使用され、その目的は、Marrによって提案された全身3レベルアプローチが適用できないrod歯動物などの実験動物の行動の神経生物学を研究することです。

2011年5月、マサチューセッツ工科大学の150周年を記念して、頭脳、心と機械のシンポジウムが開催され、主要なコンピューター科学者、心理学者、神経科学の専門家が集まって議論しました過去および未来の人工知能と神経科学との関係。

この会議は、人工知能の分野全体が成長した科学的疑問を蘇らせるための学際的な熱意ですべての人を奮い立たせることが理解されました。 私たちの脳はどのようにして認知能力を生み出し、それを機械に具現化できるのでしょうか？

シンポジウムで話すノアム・チョムスキーは熱心ではありませんでした。 チョムスキーは、より現代的で計算が複雑な形式でのみ行動主義に似たアプローチを採用することでAIの分野を批判しました。 チョムスキー氏は、統計的手法に頼って大量のデータのパターンを検索しても、科学から期待される説明的な洞察を得る可能性は低いと述べました。 Chomskyにとって、新しいAI-統計トレーニングテクニックを使用してデータをより適切に処理し、それに基づいて予測を行うことに焦点を当てた-は、インテリジェントクリーチャーの性質や思考の仕組みに関する一般的な結論を与えることはほとんどありません。

この批判は、統計モデルの使用を提唱し、AIの新しい手法と進歩の定義そのものが現在の出来事からそれほど遠くないと主張したGoogleの研究ディレクターおよび有名なAI研究者Peter NorwigからChomskyの詳細な応答を引き起こしました。他の科学でも。

チョムスキーは、統計的アプローチは、たとえば有用な検索エンジンにとって実用的な価値があり、大量のデータを処理できる高速のコンピューターで可能であると答えました。 しかし、科学的な観点から、チョムスキーは、このアプローチは不十分であり、より厳密には表面的であると考えています。 「物理学者のアイザック・ニュートン」という言葉の意味を理解するようコンピューターに教えませんでした。たとえその言葉を入力したユーザーにもっともらしい結果を返す検索エンジンを構築できたとしても。

生物学者はまた、より伝統的な生物学的システムを理解しようとすることがわかります。 コンピュータ革命が大量のデータの分析の道を開き、その上に「新しいAI」全体が置かれているため、現代生物学の配列決定の革命は、ゲノミクスとシステム生物学の開花分野を生み出しました。 ハイスループットシーケンス-数百万のDNA分子を迅速かつ安価に読み取ることができる技術-は、ゲノムシーケンスを高価な10年前の施設から研究室でアクセス可能なルーチンに変換しました。 個々の分離された遺伝子を苦労して研究する代わりに、細胞全体で数百、数千の異なる条件で作用する遺伝子系の挙動を観察できるようになりました。

配列決定の革命が始まったばかりであり、膨大な量のデータがすでに受信されており、人間の病気の新しい治療法と診断のための新たな有望な展望をもたらしています。 たとえば、従来の薬では特定の人々のグループが役に立たない場合、答えは患者のゲノムにある可能性があり、薬の効用を妨げる特殊性がある場合があります。 そのような患者の関連するゲノムの特徴を比較するのに十分なデータが収集され、コントロールグループが正しく選択されると、新しいカスタマイズされた薬が表示され、「パーソナライズドメディシン」のようなものにつながります。 十分に開発された統計ツールと十分に大きなデータセットがあれば、大規模で十分に研究されていない生物学的システムによって作成されたノイズから興味深い信号を引き出すことができると理解されています。

個別化医療などの現象の成功、およびシーケンス革命とシステム生物学的アプローチのその他の結果は、チョムスキーが「生データの塊」と呼ぶものと連携する能力に基づいています。これにより、生物学が議論の中心に置かれます。 1960年代以来の心理学と人工知能。

システム生物学も懐疑的でした。 偉大な遺伝学者でありノーベル賞を受賞したシドニーブレナーは、かつて次のように定義しました。「低入力、高スループット、出力なしの科学」（無料翻訳：「結果に基づく多くのノイズ、および結果に基づく科学なし」）。 AIシンポジウムにも参加したチョムスキーと同年齢のブレナーは、脳を理解するための新しい体系的なアプローチについて懐疑的でした。 脳内のすべてのニューロンの接続を記述しようとするConnectomicsと呼ばれる、脳回路をマッピングするための一般的な体系的アプローチを説明します（つまり、一部の神経細胞が他の神経細胞に接続される方法の図をプロットします）。

システム生物学に対するブレナーの機知に富んだ攻撃および神経科学における関連するアプローチは、AIの方向でチョムスキーを批判することからほど遠い。 見た目とは異なり、システム生物学と人工知能は、内部構造の大部分がミステリーである非常に複雑なシステムをリバースエンジニアリングするという同じ基本的なタスクに直面しています。 はい、進化している技術は、システムに関連する大量のデータを提供しますが、そのうちの一部のみが関連する場合があります。 強力な計算能力と統計的アプローチに基づいて信号をノイズから分離する必要がありますか、それともシステムの基礎をなし、その本質を説明するより基本的な原理を探す必要がありますか？ より多くのデータを収集したいという欲求は止められませんが、このデータがどの理論に適合するかは必ずしも明らかではありません。 これらの議論は科学哲学の永遠の疑問を提起します：科学理論または説明を満足させるものは何ですか？ 科学の成功はどのように決定されますか？

4月の午後、かなり雑然としたチャットルームでNoam Chomskyと座って、Frank GehryのMIT Architecture Centerの目まいがする建物の秘密のコーナーに隠れました。 私は、人工知能に対するチョムスキーの批判、そしてなぜ間違った方向に進んでいるのか、彼が信じていることをよりよく理解したかったのです。 また、この批判を神経科学やシステム生物学などの他の科学分野への応用を研究したいと考えました。これらはすべて、複雑なシステムをリバースエンジニアリングするタスクで動作し、科学者が無限に広がるデータの海の中にいることがよくあります。 インタビューの動機の一部は、現在チョムスキーが科学について尋ねられることはめったになかったことです。 ジャーナリストは、米国、中東、オバマ政権および他の普通のトピックの外交政策に関する彼の意見にあまりにも興味を持っています。 もう一つの理由は、チョムスキーが急速に消滅しつつある、そのまれで特別な種類の知識人に属していることです。 イザヤ・ベルリンによる有名なエッセイの出版以来、さまざまな思想家や科学者をリサ・ヘッジホッグの連続体に置くことは学術界で好まれている娯楽で​​す：質問から質問へとジャンプし、対象分野の範囲を無視し、必要に応じて彼のスキルを適用する思想家。 チョムスキーは、この区別を古くて不必要な決まり文句に変えるため、特別です。 チョムスキーの深さは柔軟性や広さの代わりになりませんが、ほとんどの場合、彼は初期の科学キャリア全体を言語学と認知科学の特定のトピックの研究に捧げました。 チョムスキーの研究は、コンピューターサイエンスや哲学など、彼自身の分野以外にもいくつかの分野に大きな影響を与えました。彼はこれらのアイデアの影響について議論し、批判することをshしません。

非常に簡単な質問から始めたいと思います。 人工知能の夜明けには、人々はこの分野の進歩について楽観的でしたが、結果は異なっていました。 なぜそんなに難しいのですか？ 神経科学の分野の専門家に、なぜ脳を理解するのがそんなに難しいのか尋ねると、彼らはあなたに完全に不満な知的答えを与えます：脳には数十億の細胞があり、すべてを読むことはできません、などなど。

チョムスキー：それには何かがあります。 科学の発展を見れば、すべての科学は連続体のようですが、それらは別々の領域に分けられています。 最も単純なシステムを研究する科学によって最大の進歩が達成されます。 例えば、物理学を考えてみてください-それには大きな進歩があります。 しかし、その理由の1つは、物理学者には他の科学には見られない利点があるということです。 何かが複雑になりすぎると、彼らはそれを他の誰かに渡します。

たとえば、化学者？

チョムスキー：分子が大きすぎる場合は、化学者に渡します。 化学者は、彼らにとって分子が大きすぎるか、システムが大きすぎる場合、生物学者に与えます。 そして、それが彼らにとって大きすぎる場合、彼らはそれを心理学者に与え、そして最終的には文学批評家などの手に委ねられます。 したがって、神経科学で言われていることすべてが完全に間違っているわけではありません。

しかし、おそらく-私の観点からは、神経科学の分野の専門家はこれを好まないが、非常に可能性が高い-神経科学は過去数百年間間違った軌道に乗っている。 非常に優れた神経科学的認知科学者のランディ・ガリステルによるかなり新しい本があり、アダム・キング（ Memory and the Computational Brain：Why Cognitive Science Transform。それは発展し、連想と人々と動物がどのように働くかについての関連するアイデアに情熱を傾けました。 その結果、連想心理学の特性を持つ現象を検索しました。

ヘブの可塑性はどうですか？ [ドナルド・ヘブに起因する理論：環境刺激と刺激に対する反応との関連は、ニューロン間のシナプス結合を強化することによりエンコードできます。 エド。]

チョムスキー：はい、シナプス結合の強化として。 Gallistelは説明に何年も費やしました。脳を適切に研究したい場合は、Marrのように、最初に彼が実行するタスクを尋ねる必要があります。 したがって、彼は主に昆虫に興味があります。 たとえば、アリの神経学を勉強したい場合、アリが何をするのかを尋ねますか？ アリは非常に複雑なことをしていることがわかりました。例えば、道を作ることです。 ミツバチを見てください：それらのナビゲーションには、太陽の位置などを含む非常に複雑な計算が必要です。 しかし、一般的に、彼は何と主張します：あなたが動物または人の認知能力を取るならば、これらはコンピュータシステムです。 したがって、計算の原子単位を調べる必要があります。 チューリングマシンを使用します。これは最も単純な計算形式です。「読み取り」、「書き込み」、および「アドレス」のプロパティを持つ原子を見つける必要があります。 これらは最小の計算単位であるため、脳でそれらを探す必要があります。 増加したシナプス接続やフィールドプロパティなどを探しても、それらを見つけることはできません。 これから始める必要があります。すでに存在するものと動作するものを確認し、Marra階層の最上位から確認できます。

そうです、しかしほとんどの神経科学者は座り、彼らが研究している現象のインプットとアウトプットを説明しません。 代わりに、マウスを実験室の学習タスクに配置し、できるだけ多くのニューロンを記録するか、タスクを学習するために遺伝子Xが必要かどうかを調べます。 この種の声明は、彼らの実験から得られたものです。

チョムスキー：これはそうです...

これに概念的なエラーはありますか？

チョムスキー：まあ、あなたは有用な情報を得ることができます。 しかし、アトミックユニットを含む何らかの種類の計算が実際に行われる場合、この方法でそれらを見つけることはできません。 それは別のランプの下で失われたキーを探すことです、ちょうどそれがそこでより軽いという理由だけで（ よく知られている冗談への参照-およそTransl。 ）。 これは議論の余地のある問題です... Gallistelの立場は神経生物学者に広く受け入れられたとは思いませんが、これはもっともらしい立場であり、Marrの分析の精神に基づいています。ビジョンを研究するとき、彼は最初に、システムがどのようなコンピューティングタスクを解決するかを尋ねます。次に、これらの計算を実行できるアルゴリズムを探し、最後にアルゴリズムを機能させるメカニズムを探します。そうしないと、何も見つからない可能性があります。これには多くの例があり、それは正確な科学でも、そして間違いなく人文科学でもです。人々は勉強する方法を知っていることを学ぼうとする-つまり、それは合理的に見える。あなたには特定の実験技術があり、ある程度の理解があり、可能性の限界を押し広げようとしている-これは良いことだ、私は批判しない、人々は彼らができることをする。一方、あなたが正しい方向に動いているかどうかを知ることは素晴らしいことです。そして、Marra-Gallistelの観点を基礎として考えると、私は個人的に同情します、あなたは異なる働きをし、異なる種類の実験を探します。

ですから、Marrの重要なアイデアは、あなたが言ったように、問題を説明するのに適した原子単位、言い換えれば、適切な「抽象化レベル」を見つけることです。そして、コネクトミクスと呼ばれる神経科学の新しい分野の特定の例を取り上げると、非常に複雑な生物の接続の図を見つけ、人間またはマウスの脳の皮質のすべてのニューロンの接続を見つけることが目標です。このアプローチは、著者の1人である[歴史的に]シドニーブレナーによって批判されています。この領域の支持者は止まらず、接続図が適切な抽象化レベルであるかどうかを尋ねません-多分そうではありません。これについてのあなたの意見は何ですか？

チョムスキー：もっと簡単な質問があります。たとえば、ここMITでは、学際的な線虫研究プログラムがありました（ラウンドワーム-約perev。）C. elegansは数十年にわたり、私が理解しているように、接続図全体を知っているこの小さな生き物でも、800個のニューロンがあります...

300と思われます..

チョムスキー： ...とにかく、あなたは[C. nematode C. elegans]が何をするかを予測できます。たぶん、あなたはそこを見ていません。



AIのさまざまな方法論のトピックに進みたいと思います。そのため、「古き良き人工知能」（GOFAI）は、現在呼ばれているように、Gotlob FregeとBertrand Russellの伝統における厳格な形式主義に基づいていました、たとえば、数学的論理、または非単調推論などの分岐など。科学の歴史の観点から、これらのアプローチが主流からほぼ完全に除外され、現在AIと呼ばれている分野では、確率モデルと統計モデルで置き換えられたことは興味深いです。私の質問は次のとおりです。このシフトはどのように説明できますか？これは正しい方向への一歩ですか？

チョムスキー： 1年前、これに関するPat Winstonの報告を聞きました。彼の論文の1つは、AIとロボット工学が本当に役立つことを行える段階に到達したため、実用的なアプリケーションに注意が向けられたため、テクノロジーの成功と特定の目標の達成。

つまり、すべてがエンジニアリングに組み込まれました....

チョムスキー：はい、そうです...そしてそれはかなり理解できますが、もちろん、これは人々を最初の質問から遠ざけます。私自身は、これらのオリジナルの作品について非常に懐疑的であったことを認めなければなりません（確率的AIの新しいパラダイム-約Transl。）。すべてが楽観的であり、ほとんど研究されていないシステムの真の理解を必要とする結果を達成できると思われ、複雑なマシンを単純に投入するだけでは理解できないと思われました。これを行おうとすると、結果が得られるので、自己強化成功の概念に到達しますが、それは科学で行われる方法とは非常に異なります。

たとえば、限定的なケースを考えて、誰かが物理学の教授陣を廃止したいと考えて、それを正しくします。そして、「正しい」とは、外の世界で起こっていることについて多くのビデオを撮り、それらを最大かつ最速のコンピューター、ギガバイトのデータに供給し、包括的な統計分析を行うことです。（確率論に基づくデータ分析への最新のアプローチ-Ed。）-そして、あなたは次の数秒であなたの窓の外で何が起こるかについての予測のようなものを得るでしょう。実際、物理学部門が提供するよりもはるかに優れた品質予測が得られます。大量のカオス生データに最も近い近似値を取得することによって成功が決定される場合、もちろん、これは物理学者が通常作業するよりもはるかに優れた方法です-完全に平らな表面での実験などは考えられません。しかし、あなたは常に科学の目標であった理解のレベルを得ることができません-あなたは何が起こっているかの近似値を得るだけです。

そして、これはどこでも行われます。明日の天気を予測したいとします。方法の1つ：OK 、そのような仮定をいくつか行い、実験を行い、結果を何度も見て、ベイジアン法で修正し、最高の先験的確率を取得します。明日はどんな天気になるのか、おおよその概算が得られます。しかし、これは気象学者が行うことではありません-彼らはそれがどのように機能するかを理解したいだけです。そして、これらは成功とは何か、達成とは何かという2つの異なる概念にすぎません。私の科学、言語の科学では、これは常にです。計算認知科学では、言語に適用される、成功の概念はまさにそれです。つまり、より多くのデータ、より良い統計、より多くの正確なテキストの大まかなコーパス、例えばウォールストリートジャーナルのすべてのアーカイブを取得しますが、言語については何も学びません。

私が正しいと思う完全に異なるアプローチは、基本原則とその重要な特性との関係を理解できるかどうかを確認し、実際には何千もの異なる変数があなたに干渉することを確認することです-今何が起こっているかのようにウィンドウ-より正確な近似が必要な場合は、後で対処します。これらは科学の2つの異なる概念にすぎません。 2つ目は、ガリレオの時代から科学が何であったか、これは現代科学です。生データの近似は新しいアプローチのようなものですが、実際には過去にも同様のことが存在していました。これは新しいアプローチであり、大量のメモリの存在、非常に高速な処理によって加速され、以前は手動で実行できなかったことを実行できます。しかし、私は思う計算認知科学のような分野を、おそらく実用的な適用可能性に導くこと...

… ?

:...しかし、それは理解から遠ざかります。はい、おそらく効果的なエンジニアリングです。ところで、これは、エンジニアリングに何が起こったのか興味深いです。 1950年代にMITに着いたとき、それは工学大学でした。数学と物理学の非常に優れた学部がありましたが、それらはサービス学部でした。彼らは、エンジニアが使用できるあらゆる種類のトリックを教えました。電子工学部では、回路を組み立てる方法を学びました。しかし、1960年代から現在まで、すべてが完全に異なっています。工学の専門分野が何であれ、基礎科学と数学はすべて同じように勉強します。そして、それを適用する方法について少し学ぶかもしれません。しかし、これはまったく異なるアプローチです。人類史上初めて、物理学のような基礎科学が本当にエンジニアを助けることができるという事実のおかげで可能になりました。またテクノロジーは非常に急速に変化し始めたため、10年以内に変化したとしても、今日のテクノロジーを研究することはほとんど意味がありません。したがって、あなたは基礎科学を勉強します。それは次に来るものに関係なく、適用可能です。医学でも同じことが起こりました。それで、前世紀にも、初めて、生物学は実際の医学で何か言いたいことがあったので、医者になりたいなら生物学を知っていなければなりませんでした。これは、あなたが適用することを学んでいる芸術のようなものからの移行であると思います-類推は、あなたが理解していないデータを何らかの特別な方法で比較し、多分何か働くものの構築でさえあります-新しい時代に登場した科学への移行、大まかに言えば、ガリレオの科学。10年たってもまだ変化します。したがって、あなたは基礎科学を勉強します。それは次に来るものに関係なく、適用可能です。医学でも同じことが起こりました。それで、前世紀にも、初めて、生物学は実際の医学で何か言いたいことがあったので、医者になりたいなら生物学を知っていなければなりませんでした。これは、あなたが適用することを学んでいる芸術のようなものからの移行であると思います-類推は、あなたが理解していないデータを何らかの特別な方法で比較し、多分何か働くものの構築でさえあります-新しい時代に登場した科学への移行、大まかに言えば、ガリレオの科学。10年たってもまだ変化します。したがって、あなたは基礎科学を勉強します。それは次に来るものに関係なく、適用可能です。医学でも同じことが起こりました。それで、前世紀にも、初めて、生物学は実際の医学で何か言いたいことがあったので、医者になりたいなら生物学を知っていなければなりませんでした。これは、あなたが適用することを学んでいる芸術のようなものからの移行であると思います-類推は、あなたが理解していないデータを何らかの特別な方法で比較し、多分何か働くものの構築でさえあります-新しい時代に登場した科学への移行、大まかに言えば、ガリレオの科学。医学でも同じことが起こりました。それで、前世紀にも、初めて、生物学は実際の医学で何か言いたいことがあったので、医者になりたいなら生物学を知っていなければなりませんでした。これは、あなたが適用することを学んでいる芸術のようなものからの移行であると思います-類推は、あなたが理解していないデータを何らかの特別な方法で比較し、多分何か働くものの構築でさえあります-新しい時代に登場した科学への移行、大まかに言えば、ガリレオの科学。医学でも同じことが起こりました。それで、前世紀にも、初めて、生物学は実際の医学で何か言いたいことがあったので、医者になりたいなら生物学を知っていなければなりませんでした。これは、あなたが適用することを学んでいる芸術のようなものからの移行であると思います-類推は、あなたが理解していないデータを何らかの特別な方法で比較し、多分何か働くものの構築でさえあります-新しい時代に登場した科学への移行、大まかに言えば、ガリレオの科学。あなたが適用することを学ぶ-アナロジーは、あなたが理解していないデータの比較であり、何らかの特別な方法で、そしておそらく何か働くものの構築です-現代への移行、大まかに言って、ガリレオの科学あなたが適用することを学ぶ-アナロジーは、あなたが理解していないデータの比較であり、何らかの特別な方法で、そしておそらく何か働くものの構築です-現代への移行、大まかに言って、ガリレオの科学

なるほど。言語と認知のモデルにおけるベイジアン統計のトピックに戻る。あなたの参加に関してよく知られた論争がありました、あなたは提案の確率について話すこと自体が不合理であると主張しました...

チョムスキー： ...まあ、あなたは望むなら数を得ることができますが、それは何も意味しません。

それは何の意味もありません。しかし、ルールや他のシンボリック構造からなる非常に豊富な内部の精神的表現があり、確率理論の目標は、単に、これらの内部のノイズの多い断片化されたデータを接続することであると仮定した場合、確率的方法を統合するほとんど些細な方法があるように思われますシンボリック構造。そして、あなたはこれらの構造がどのように現れたかについて何も言う必要はありません-それらは最初に存在するか、いくつかのパラメータがそこで調整されます-それはあなたのコンセプトに依存します。しかし、確率論は、ノイズの多いデータと非常に豊かな精神表現の間の接着剤のように機能します。

チョムスキー：確率論、統計学には何の問題もありません。

しかし、彼女には役割がありますか？

チョムスキー：あなたがそれを使用できるなら、結構です。しかし、問題は、なぜそれを使用しているのですか？まず第一に、最初の質問ですが、ノイズの多いデータを理解することに意味はありますか？窓の外で、外で何が起こっているかを理解することは理にかなっていますか？

しかし、我々はこれらのデータで攻撃されています。これはMarrの例の1つです。網膜から始まって...

Chomsky：そうです。しかし、ここに彼の言うことがあります：生物系がノイズから重要なものをどのように選択するか、自分自身に尋ねましょう。網膜は、入ってくるノイズを複製しようとしません。彼女は次のように語っています。今、これとこれを画像で探します。言語を学ぶようなものです。ウィリアム・ジェームスが言うように、生まれたばかりの赤ちゃんはさまざまなノイズに囲まれています。猿、子猫、鳥、誰でもこの音が聞こえたら、それだけです。しかし、子供は何らかの形で、すぐに、再帰的に、言語から接続された別の部分をノイズから選択します。これが最初のステップです。彼はどうやってそれをしますか？サルは失礼な形でも同じ確率的分析を実行できるため、統計分析の助けを借りることはできません。彼は特定のものを探しています。そのため、心理言語学者、神経言語学者などは、環境の特定の側面に何らかの形で関係しているコンピューティングシステムと神経心理学の特定の詳細を発見しようとしています。そのため、特定のタイプのリズムに反応する神経回路が実際に存在することがわかります。これは、音節の長さなど、言語で現れます。そして、子供の脳が最初に探しているものの1つがリズミカルな構造であるという証拠があります。 GallistelとMarrに戻ると、脳には特定のコンピューティングシステムがあり、「OK、それをこれらのことでやります」と言います。約9か月後、典型的な子供はすでに除外されています-在庫から削除されています-自分の言語ではない音声の違い。つまり、最初から、どの子もどの言語にもチューニングされていることがわかります。しかし、たとえば、9か月の日本の子供は「P」と「L」の違いに反応せず、排除されます。したがって、システムは多くの可能性を考慮し、それらを言語の一部であるもののみに制限します。これはすでに非常に狭いセットです。あなたは子供がこれを行うことができない反言語などを思いつくことができます。たとえば、言語のより抽象的な側面について話すと、現時点では、線形の語順のような単純なもの-何の後に来るもの-が構文およびセマンティックコンピューティングシステムに含まれていないという強力な証拠があります。彼らのデバイスは単純に線形の順序を探していないようなものです。距離のより抽象的な概念が主に使用されており、これは線形距離ではないことがわかり、このために神経生理学的確認を見つけることができます。たとえば、線形の語順を使用する人工言語を考え出す場合、たとえば肯定的な文から否定的な文を作成し、3番目の語で何かをする場合です。人々はこのパズルを解くことができますが、明らかに、脳の標準的な言語部分は活性化されていません-他のゾーンは活性化されています。つまり、人々はこれを言語タスクとしてではなくパズルとして認識します。そしてそれを解決するために、人々はもっと緊張しなければなりません...より抽象的な距離の概念が主に使用されており、これは線形距離ではないため、これについては神経生理学的確認を見つけることができます。たとえば、線形の語順を使用する人工言語を考え出す場合、たとえば肯定的な文から否定的な文を作成し、3番目の語で何かをする場合です。人々はこのパズルを解くことができますが、明らかに、脳の標準的な言語部分は活性化されていません-他のゾーンは活性化されています。つまり、人々はこれを言語タスクとしてではなくパズルとして認識します。そしてそれを解決するために、人々はもっと緊張しなければなりません...より抽象的な距離の概念が主に使用されており、これは線形距離ではないため、これについては神経生理学的確認を見つけることができます。たとえば、線形の語順を使用する人工言語を考え出す場合、たとえば肯定的な文から否定的な文を作成し、3番目の語で何かをする場合です。人々はこのパズルを解くことができますが、明らかに、脳の標準的な言語部分は活性化されていません-他のゾーンは活性化されています。つまり、人々はこれを言語タスクとしてではなくパズルとして認識します。そしてそれを解決するために、人々はもっと緊張しなければなりません...3番目の単語で何かをすることで、肯定文を否定にします。人々はこのパズルを解くことができますが、明らかに、脳の標準的な言語部分は活性化されていません-他のゾーンは活性化されています。つまり、人々はこれを言語タスクとしてではなくパズルとして認識します。そしてそれを解決するために、人々はもっと緊張しなければなりません...3番目の単語で何かをすることで、肯定文を否定にします。人々はこのパズルを解くことができますが、明らかに、脳の標準的な言語部分は活性化されていません-他のゾーンは活性化されています。つまり、人々はこれを言語タスクとしてではなくパズルとして認識します。そしてそれを解決するために、人々はもっと緊張しなければなりません...

, ...

: …これは証拠であり、もちろん、もっと欲しいものです。しかし、この証拠は、言語学の側面から言語がどのように機能するかを見るようなものです-文の3番目の単語のようなものはありません。 「本能的に飛ぶワシが泳ぐ」という簡単な文を見てみましょう。ここでは、「本能的に」は「飛ぶ」という言葉ではなく、「飛ぶ」という言葉に関連しています。そして、これが反射の効果です。 「本能的に」副詞は、最も近い動詞を検索せず、構造的に適切な動詞を検索します。これは、はるかに複雑な計算です。しかし、これは一般的に使用される唯一の計算です。線形順序付けは非常に単純な計算ですが、使用されることはありません。このような多くの証拠があり、神経言語学的証拠はほとんどありませんが、それらは同じ方向を指します。そして、より複雑な構造を見ると、さらに多くの構造を見つけます。

これは、私の意見では、システムが実際にどのように機能するか、マー研究所のビジョンシステムでどのように発生したかを理解する方法です。ShimonUllmanのような人々は、剛性の原理のような非常に顕著なものを発見しました。統計データ分析ではこれを見つけることができません。彼は慎重に計画された実験でこれを見つけました。次に、神経生理学を検索し、これらの計算を実行する何かを見つけることができるかどうかを確認します。言語についても同じこと、私たちの算数能力の研究、計画についてはほぼどこでも同じだと思います。生データを操作するだけで、どこにもアクセスできず、ガリレオもアクセスできません。実際、これに戻って、17世紀には、ガリレオや他の偉大な科学者などの人々が、当時の国家科学財団、つまり貴族を説得することは容易ではありませんでした。彼らの仕事が理にかなっていること。つまり、ボールが存在しないため、ボールが摩擦のない完全に平らな平面上でどのように転がるのかを研究する理由です。花の成長方法を学んでみませんか？当時の花の成長を研究しようとした場合、おそらくすべてがどのように機能するかの統計分析を得るでしょう。

認知科学では、まだガリラヤ時代より前の時代であり、発見を始めたばかりであることを覚えておくことが重要です。そして、科学の歴史から何かを学ぶことができると思います。 1640年頃の化学の歴史における主要な実験の1つで、誰かがニュートンまでの科学界全体の喜びに水を生物に変えることができると証明したとき。彼らがどのようにそれをしたのか-もちろん、誰も光合成について何も知らなかった-彼らは地球の束を取り、すべての水が蒸発するようにそれを加熱した。それを計量し、それに柳の枝を挿入し、上から水をまき、この水の量を測定しました。すべてが準備ができて柳の木が成長したら、再び地球を取り、そこから水を蒸発させます-前と同じです。したがって、あなたは水がオークまたは何か他のものに変わることができることを示しました。これは実験であり、真実であるように思えますが、何を探しているのかわかりません。そして、空気が世界の構成要素であり、窒素などがあることをプリーストリーが発見するまで、これは不明でした。そして、あなたは光合成などについて学びました。その後、実験を繰り返して、何が起こっているのかを理解できます。ただし、何を探すべきか十分に理解していないため、成功したと思われる実験によって、間違った方向に簡単に導かれてしまいます。そして、このような木の成長を研究しようとしても、あなたは間違った方向に進みます：木の成長に関するデータの配列を取り、それを強力なコンピューターに供給し、統計分析を行い、何が起こったのかを概算します。ただし、何を探すべきか十分に理解していないため、成功したと思われる実験によって、間違った方向に簡単に導かれてしまいます。そして、このような木の成長を研究しようとしても、あなたは間違った方向に進みます：木の成長に関するデータの配列を取り、それを強力なコンピューターに供給し、統計分析を行い、何が起こったのかを概算します。ただし、何を探すべきか十分に理解していないため、成功したと思われる実験によって、間違った方向に簡単に導かれてしまいます。そして、このような木の成長を研究しようとしても、あなたは間違った方向に進みます：木の成長に関するデータの配列を取り、それを強力なコンピューターに供給し、統計分析を行い、何が起こったのかを概算します。

生物学では、ノイズの多いデータを取得する方法の成功例としてメンデルの仕事を評価します-数値が数値であることが重要です-そして、理論的なオブジェクトを仮定するためにジャンプします...

チョムスキー： ...そして、うまくいかなかった膨大な量のデータを捨てます。

...しかし、意味のある相関関係を見た後、理論を開発します。

チョムスキー：はい、彼はすべて正しかった。彼は理論がデータを管理できるようにしました。理論と矛盾する証拠もありましたが、これは多かれ少なかれ破棄されましたが、通常は記事には含まれていません。そしてもちろん、彼は、自分が存在を証明した部隊を見つけることが不可能だったように、誰も見つけることができないことについて語った。しかし、はい、それが科学の仕組みです。それで、それは化学にあります。私の幼少期の前の化学は、それほど前ではなく、コンピューティングの科学と見なされていました。それは物理学に還元できないからです。したがって、これは実験の結果を計算する方法にすぎません。ボーア原子はそのように認識されていました。実験の結果を計算する方法ですが、物理学に還元することはできず、物理学が間違っていたために突然判明したため、これは実際の科学ではありません。量子物理学が生まれたとき、未変更の化学と組み合わせることが可能になりました。つまり、削減されたプロジェクト全体が単純に間違っていました。正しいプロジェクトは、これら2つの世界観をどのように組み合わせることができるかを確認することでした。そして、驚くべきことに、彼らは下流の科学における根本的な変化によって団結しました。たぶん、心理学と神経科学でもまったく同じことです。つまり、神経科学は1世紀前の物理学ほど進歩していません。

そして、これは分子の探索を伴う還元主義的アプローチからの脱却となるでしょう… 。

チョムスキー：はい。実際、還元主義的アプローチはすでに数回間違えられています。統一アプローチは理にかなっています。しかし、物理学と化学の場合のように、基礎科学には欠陥がある可能性があるため、統一は還元とは異なる可能性があり、神経科学と心理学の場合も同じ確率で高い確率で疑われる。 Gallistelが正しければ、はい、それらを組み合わせることができますが、神経科学への異なるアプローチで言うことが理にかなっています。

スピーディな統一に向けて努力する必要がありますか、それともこれらの分野をこれまでに並行して開発する方がよいでしょうか？

チョムスキー：統一は、科学的な神秘主義の理想の一部である、直感的な追求です。世界の一般的な理論を探すようなものです。存在しないかもしれませんし、異なる部分が異なるように機能するかもしれませんが、説得力のある反論が与えられるまで、世界の一般的な理論があるという私の仮定はあり、私の仕事はそれを見つけることです。削減によって統一は現れない場合があり、しばしば起こります。これは、David Marrのアプローチの主要なロジックです。計算レベルで発見したものは、メカニズムレベルで一度発見したものと組み合わせる必要がありますが、これらのメカニズムを理解する用語ではそうではないかもしれません。

また、Marraは、3つのレベルすべて（計算、アルゴリズム、および実装レベル）で並行して作業することはできないことを意味します。上から下に移動する必要があります。これは通常、科学の場合ではないため、非常に厳しい要件です

チョムスキー：彼はすべてが厳しいとは言えませんでした。たとえば、メカニズムについて何か新しいことを発見すると、コンピューティングの概念が変わる可能性があります。研究ではすべてが同時に起こるため、論理的な順序は必ずしも研究の順序と一致するわけではありません。しかし、おおよその概算では、この状況は真実だと思います。 Marrの概念は入力システムのために開発されたと言わなければなりませんが...

情報処理システム...

Chomsky：はい、ビジョンのように。データがあります-これはデータ処理システムです-そしてそこで何かが起こります。そして、これは認知システムではあまりうまくいきません。あなたの算数能力を見てみましょう...

それは非常に弱いですが、大丈夫です...

チョムスキー：いいですね（笑）。しかし、これは内部能力です。あなたの脳はチューリングマシンのようなものの制御ユニットであり、メモリ、時間などの外部データにアクセスできることを知っています...理論的には、実際には何でも掛けることができますが、もちろん、これはそうではありません。どんな種類の内部システムがあるかを調べようとすると、Marr階層はうまく機能しません。計算レベルについて話すことができます。おそらく、私の内部のルールはPeanoの公理[ 約編：数学理論（イタリアの数学者Giuseppe Peanoにちなんで名付けられた）は、算術と自然数の基本的なルールの中核を説明し、そこから多くの有用な算術事実を導き出すことができます]またはそれ以外は重要ではありません-これは計算レベルです。理論的には、方法はわかりませんが、神経生理学的レベルについてのみ話すことができます。誰も方法を知りませんが、実際のアルゴリズムレベルはありません。知識の計算法がないので、それは単に知識のシステムです。ナレッジシステムの性質をどのように理解するかは不明です。プロセスがないため、アルゴリズムはありません。これは、プロセスがあるナレッジシステムを使用してのみ実行できますが、すでに完全に異なるものになります。

しかし、私たちは間違いを犯しているので、これはプロセスが間違っていることを意味していますか？

チョムスキー：これは、内部システムを使用するプロセスです。ただし、内部システム自体はプロセスではありません。アルゴリズムがないためです。普通の数学をしてください。 Peanoの公理と推論ルールを使用すると、すべての算術計算が定義されますが、アルゴリズムはありません。数論の専門家がそれらをどのように適用するかを尋ねると、もちろん多くのオプションがあります。例えば、公理からではなく、推論規則から始めます。定理を取り、補題が推論できるかどうかを確認し、それが機能する場合、この補題が何かに基づいているかどうかを確認し、最終的に証明-幾何学的オブジェクトを取得します。

しかし、これは根本的に異なるアクティビティであり、頭に小さな数字を追加することとは異なります。もちろん、頭の中にはある種のアルゴリズムがあります。

チョムスキー：必ずしもそうではありません。どちらの場合も、このプロセスにはアルゴリズムがあります。しかし、システム自体のアルゴリズムはありません。これはカテゴリエラーです。 Peanoの公理と推論規則がどのプロセスを定義するかを尋ねるのではなく、プロセスはありません。それらを使用するプロセスがあるかもしれません。そして、これは複雑なプロセスになる可能性があり、これは計算の場合に当てはまります。あなたが持っている内部システムは、プロセスの問題ではありません。しかし、内部システムを使用すると、疑問が生じ、さまざまな方法で乗算を実行できます。たとえば、7と6を追加すると、1つのアルゴリズムが「10に達するのにどれだけかかるかを確認します」と言います。3が必要になり、残り3つが残っているので、10から移動して3を追加します。 13.これは追加アルゴリズムです。実際、幼稚園で教えられた方法です。これは、数字を追加する1つの方法です。

しかし、追加する他の方法があります-適切なアルゴリズムはありません。これらは、あなたの頭の中の認知システムのプロセスを実行するためのアルゴリズムです。そして今、このシステムについては、アルゴリズムについて尋ねていません。コンピューティングレベル、メカニズムのレベルについて尋ねることができます。しかし、このシステムのアルゴリズムレベルは存在しません。言語についても同じです。言語は算数のようなものです。可能な文の無限の配列の音と意味を決定するシステムがあります。しかし、どのようなアルゴリズムが存在するのかは疑問の余地がありません。また、どの正式な算術システムが定理を証明する方法を教えてくれるかという問題もありません。システムの使用はプロセスであり、Marrレベルの観点から学習できます。ただし、これらの違いを概念的に指定することが重要です。

Peanoの公理のような計算レベルの理論からMarrowレベル3に移行することは、信じられないほどの作業のように思えます...

Chomsky：メカニズム...

...メカニズムと実現...

Chomsky：はい。そして...

...少なくともアルゴリズムなしで。

チョムスキー：これは真実ではないと思います。システムがどのように使用されているかに関する情報が、メカニズムについて何かを教えてくれるかもしれません。しかし、おそらく私たちよりも高い頭脳は、内部システムがあり、それが生理学的基盤を持っていることを理解し、それを研究することができます、この生理学的基盤。このシステムが使用されるプロセスを見ることさえしません。プロセスを観察することで、どこに行くべきかに関する有用な情報が得られるかもしれません。しかし、概念的にはこれは別のタスクです。問題は、どの方法で研究するのが良いかです。したがって、ペアノの公理とニューロンの関係を研究する最良の方法は、数学者が定理を証明する方法を観察することです。しかし、これはサポート情報を提供するからです。本当の最終結果は、脳システムの理解、その生理学的基盤、アルゴリズムへの参照なし。アルゴリズムは、それらを使用するプロセスに関するものであり、答えを得るのに役立ちます。傾斜面が落下速度について何かを伝えることができる可能性がありますが、ニュートンの法則を見ると、傾斜面については何も言っていません。

いいねマーアプローチを使用して、認知や言語システムの研究の論理は理解できるが、しかし、あなたは、遺伝的な特徴の言語能力を認識しないので、あなたは他の生物学的システムにこのロジックを適用することができます-免疫システム、心臓血管系...

チョムスキー：ええ、私はそれがだと思います非常に似ています。免疫系についても同じことが言えます。

そしておそらく、これらのシステムで考えるよりもこれを行う方が簡単かもしれません。

チョムスキー：しかし、あなたは他の答えを期待するでしょう。消化器系でこれを行うことができます。誰かが消化器系を研究しているとします。あなたが胃インフルエンザにかかったとき、またはビッグマックなどを食べたときに何が起こるかを彼が研究することはまずありません。窓の外で何が起こっているのかを撮影しましょう。消化器系を研究する1つの方法は、さまざまな状況で消化器系が何をするかに関するすべての種類のデータを収集し、データをコンピューターに入力し、統計分析を実行することです。しかし、これは生物学者が行うことではありません。彼は最初から、考えられていることから逃れることを望んでいます-あなたはいつでも間違いを犯す可能性があるので、あなたが胃インフルエンザを持っているかどうかなどの無関係な変数で、おそらく間違っています。

しかし、これはまさに生物学者がやっていることです。彼らは病気の消化器系の病気の人を連れて行き、健康な人と比較し、分子特性を測定します。

チョムスキー：彼らはより高度な段階でそれを行います。患者を比較する前に、彼らはすでに消化器​​系の構造について多くを知っています。さもなければ、彼らは何を比較するべきか、そしてなぜ一方が病気でもう一方がそうでないのかを知りません。

特徴的な機能を識別するために、統計分析に依存しています。あなたは患者を研究していると主張しているので、これは非常に資金援助されたアプローチです。

チョムスキー：これは、資金を得る方法かもしれません。自閉症の治療に役立つかもしれないという言葉で、言語学のための資金を得るようなものです。それはまったく別の質問です（笑）。しかし、検索のロジックは、システムの研究を開始し、高い確率で無関係なノイズを考慮して、あなたから抽出します。あなたは基本的な本質を見つけようとします、そして、あなたが何か他のもの、同じ胃インフルエンザを持ち込むならば、何が起こるのかと思います。

それでも、このタイプのシステムにMarrレベルを適用するのは難しいようです。脳がどのような計算タスクを解決するかを尋ねると、答えがあるようです。それはほとんどコンピュータのように機能します。しかし、簡単なものがどのような計算上の問題を解決するかを尋ねると、それを考えるのはさらに難しいです-これは明らかに情報処理のタスクではありません。

Chomsky：これはそうですが、すべての生物学が計算的であると信じる理由はありません。思考がそのようであると考える理由があるかもしれません。実際、ガリステルは、体内にあるすべてのものを、読み取り/書き込み/アドレスユニットの検索を通じて調査する必要があるとは言っていません。

進化の観点からは直観に反しているようです。これらのシステムは一緒に進化し、同様の部品、分子、軌道を再利用しました。セルはコンピューティングデバイスです。

チョムスキー：どの細胞が計算されるかについて質問することによって肺を研究することはありません。免疫系と視覚系を研究しますが、同じ答えを見つけることを期待していません。本体は高度にモジュール化されたシステムであり、内部的に多かれ少なかれ統合された多くの複雑なサブシステムを備えています。彼らは異なる法律の下で動作します。生物学もモジュール化されています。これがすべて同じように動作するオブジェクトの巨大な混乱であると仮定することはできません。

もちろんそうではありませんが、各モジュールの学習に同じアプローチを適用することが可能であるということです。

Chomsky：必ずしもそうではありません。モジュールが異なるためです。一部のモジュールは計算可能ですが、一部はそうではありません。

, , , … , — ?

:もちろん。たとえば、胚がマウスではなく、ニワトリに変わる原因について多くを理解できます。これは、あらゆる種類の化学的相互作用などを含む非常に複雑なシステムです。線虫であっても、すべてが単純にニューラルネットワークによって決定されるという事実は完全に自明ではなく、この主題に関する研究の証拠があります。脳、神経系で発生する複雑な化学的相互作用を調べる必要があります。各システムを個別に覗き込む必要があります。これらの化学的相互作用は、算術能力に関連していない可能性があります-おそらくそうです。しかし、それらはあなたが手を上げるか下げるかを決めることに非常に簡単に関係します。

ただし、化学的相互作用の研究を開始すると、現象の繰り返しの説明と呼ばれるものにつながります。

チョムスキー：または説明。それは可能であるため、非常に重要であり、批判的に関連しています。

しかし、「物質Xを活性化する必要がある」または「遺伝子Xが存在する必要がある」という点で説明を行った場合、実際に身体がどのように機能するかを説明しません。レバーを見つけてクリックします。

チョムスキー：しかし、さらに調べてみると、このような条件下でこの遺伝子がこのように機能するのは何か、または他の条件下では異なる働きをするものを見つけます。

しかし、遺伝子が抽象化の間違ったレベルである場合、あなたは逃げています。

チョムスキー：その後、正しい答えが得られません。またはそうでないかもしれません。たとえば、生物がどのようにゲノムから発生するかを計算することは難しいことはよく知られています。セル内ではさまざまな種類のプロセスが発生します。遺伝子の作用を見ただけでは、抽象化のレベルが間違っている可能性があります。決して明確ではないので、勉強する必要があります。私はそのような質問に答えるためのアルゴリズムがあるとは思わない。

会話を進化へとシフトさせたいと思います。あなたは非常に興味深い視点を批判し、それを「系統的経験主義」と呼びました。あなたは説明力の欠如のためにこの立場を批判しました。彼女は単純に次のように述べています。したがって、環境へのそのような適応が選ばれたので、思考はそれが何であるかです。自然選択により選択。突然変異と選択という2つの原則にいつでも訴えることができるので、これは何も説明しないと主張しました。

チョムスキー：まあ、あなたは彼らをあきらめることができますが、彼らは正しいかもしれません。算数能力の発達は、ランダムな突然変異と選択から生まれた可能性があります。これがそうであることが判明した場合、まあ、結構です。

それは真実のように聞こえます（よく知られている真実-およそTransl。）。

チョムスキー：しかし、私はこれが真実ではないと言っているのではありません。真実は真実です（笑）。

しかし、彼らは何も説明しません。

チョムスキー：たぶん、これはあなたが得ることができる最高レベルの説明です。あなたは世界を発明することができます—私たちの世界になるとは思いませんが、オブジェクトのランダムな変化と外力に基づく選択を除いて何も起こらない世界を発明することができます。私たちの世界はそう整理されているとは思いませんし、そう考えている生物学者が少なくとも一人いるとは思いません。自然の力が選択を行うことができるチャネルを決定する多くの方法があります。体内の非常に多くのものがそのように機能しません。少なくとも最初のステップである減数分裂を行ってください。なぜ細胞は立方体ではなく球体に分割されるのですか？これらはランダムな突然変異や自然selectionではありません。これらは物理学の法則です。物理学の法則がここで止まると考える理由はなく、どこでも機能します。

はい、もちろん、それらは生物学を制限します。

チョムスキー：わかりました。つまり、ランダムな突然変異と選択だけではありません。これらは、ランダムな突然変異、選択、およびその他の重要なすべて、たとえば物理法則です。

現在「比較ゲノミクス」と呼ばれているこれらのアプローチの場所はありますか？ブロードインスティテュート[マサチューセッツ工科大学/ハーバード校]は、さまざまな動物のさまざまなゲノム、さまざまな状況のさまざまな細胞、および可能な分子の配列から大量のデータを作成します。これらの比較進化実験から高レベルの認知タスクについて学ぶことができるものはありますか、またはこれは未熟なアプローチですか？

チョムスキー：これが間違ったアプローチだと言っているわけではありませんが、これから何を学べるかはわかりません。あなたのように。

, - ? , Foxp2? [ . : , , , . , . , .]

:Foxp2は興味深いですが、言語とは何の関係もありません。それは、細かい運動能力と同様のものに関連しています。これは、たとえば、あなたが言うとき、言語の使用に関係しています-あなたは唇などを制御しますが、それは言語の非常に周辺であり、これはすでに知られています。したがって、たとえば、調音器官または標識を使用する場合、たとえば、手のジェスチャーも同じ言語です。実際には、脳の同じ部分で分析および生成されますが、ある場合には他の唇で手が動きます。したがって、外部化が何であれ、それはすべて周辺にあります。それについて話すのはかなり難しいと思いますが、言語の構造を見れば、その証拠が得られます。言語学習には興味深い例があり、計算の効率とコミュニケーションの効率の間に矛盾があります。

すでに述べたこの例を、線形の順序付けで見てみましょう。副詞がどの動詞に関連付けられているかを知りたい場合、子供は最小直線距離ではなく最小構造距離を再帰的に使用します。はい、計算の観点から最小線形距離を使用する方が簡単ですが、このためには線形順序の概念が必要です。そして、線形秩序が感覚運動系の単なる反射である場合、それは合理的であると思われますが、そうではありません。内部システムの感覚運動システムへの投影は、コンピューティングシステムの動作の周辺にあるという証拠があります。

しかし、コンピューティングシステムに制限が導入されている可能性があります。物理学は減数分裂をどのように制限しますか。

チョムスキー：たぶん、しかし証拠はありません。たとえば、左端-より早い意味での左端-文には、右端以外の特性があります。たとえば、「誰が見えますか」などの質問をしたい場合、「誰」という言葉を最後ではなく最初に置きます。実際、質問するグループ（本がどこか他の場所に移動している人）が右ではなく左に移動する言語では。これは、おそらく情報処理の制限です。文はリスナーがあなたに言うことから始まります：これは私がどのように見えるかです。それが最後にある場合、完全に宣言的な提案があり、最後になって初めて、私があなたに尋ねる情報を知ることができます。これを言うと、これは情報処理の制限です。その場合、外部化は構文とセマンティクスの計算の性質に影響します。

計算の有効性と通信の有効性との間に明らかな矛盾がある場合があります。簡単な例を挙げましょう。「親relativeの訪問は負担になる可能性があります」と言えば、これはあいまいです。親relativeがあなたを訪問していますか？または、あなたは親visitを訪問するつもりですか？既知のすべてのケースで、あいまいさは、制限なしでルールが自由に機能することを許可するという事実に起因することがわかります。したがって、これは計算上は効率的ですが、解決できないあいまいさを招くため、通信には非効率的です。

または、間違った方向につながる庭の小道の効果に関する提案の例を取り上げます。 「納屋を過ぎて競走した馬は倒れました。」（納屋に送られた馬は倒れた-約。）人々は、そのような申し出を見ると、それを理解しません。なぜなら、それはあなたを庭の小道に沿って導くような方法で構築されているからです。 「馬は納屋を通り過ぎました」は文のように聞こえます、そして、あなたは困惑します：最後の単語「倒れた」は何をしますか？一方、考えてみると、これは完全に正しい形式の提案です。それは、納屋によって誰かを通り過ぎて指さされた馬が倒れたことを意味します。しかし、言語の規則は、単純に機能する場合、ガーデンパス現象のために理解できない文を与える場合があります。

そして、そのような例はたくさんあります。何らかの理由で単純に言えないことがあります。私が言うなら：整備士は車を修理した。そして、あなたは言う：「彼らは車のメカニックがそれを修正したかどうか疑問に思っていた。」あなたは車について質問することができます：「彼らが興味を持っていた車は何台か、整備士はそれらを修理しましたか？」多かれ少なかれ可能です。メカニックについて質問したいとします。 「車を修理したかどうか疑問に思っていたメカニックは何人ですか？」何らかの理由で、それはもはやそのように機能していません。これは明確なアイデアですが、それを言うことはできません。このケースを詳細に検討すると、最も効率的な計算ルールではそれが言えません。しかし、思考の表現のために、コミュニケーションのために、あなたがこれを言うことができればそれはより良いでしょう-したがって、対立。
実際、このような競合が発生するたびに、計算効率が向上します。外部化は、すべての場合にあいまいさより劣りますが、計算上の理由だけで、明らかに、内部のシステムは外部化を心配していません。私はそれを十分にもっともらしく示していないかもしれませんが、単にあなたがそれを大声で言うならそれは説得力のある議論になるでしょう。

これは進化についての何かを教えてくれます。この事実が支持するのは、言語の進化の過程でコンピューターシステムが開発され、それが初めて外部化されたことです。そして、あなたが言語がどのように発展するかについて考えるならば、あなたはほとんどこの位置に来ました。人類の進化のある時点で、これは明らかです。ごく最近、考古学的なデータを見ると-おそらく過去10万年前で、それはまったくない-ある時点で、存在しなかった新しいプロパティを持つコンピューティングシステム他の生物はそのような算術型の特性を持っています...

つまり、それはあなたが外部化する前によく考えることができましたか？

チョムスキー：彼女はあなたに考えを与えます。個人で発生する脳の小さな点滅は、グループではありません。その人には考える能力がありましたが、グループにはありませんでした。したがって、外部化する意味はありません。次に、この遺伝的変化が広がり、たとえば多くの人がそれを持っている場合、それを感覚運動系に投影する方法を探すのは理にかなっています。これは外部化ですが、これは二次的なプロセスです。

外在化と内部思考システムが予測不可能な方法で接続されていない場合のみ。

チョムスキー：私たちは予測していません。これはほとんど意味がありません。なぜ彼女は外部システムに接続するのですか？たとえば、算術能力はそれに接続されていません。また、鳴き鳥など、内部コンピューティングシステムである鳥のさえずりを持つ動物は他にもたくさんいます。同じシステムではありませんが、内部のコンピューティングシステムです。そして彼女は外部化されますが、時にはそうではありません。いくつかの形態では、ひよこはこの種の歌を習得しますが、成熟するまでそれを再現しません。この初期の時期に彼は歌を持っていますが、外部化システムはありません。これは人間にも当てはまります。人間の子供は、自分が再現できないほど多くを理解しています-非常に多くの実験的証拠-これは、子供が内部システムを持っていることを示唆していますが、外部化することはできません。たぶん、彼は十分な記憶を持っていない、またはその他の理由。

. , , , . , MIT, , , , , , , . , -, , ? , ? , — , .

:科学の哲学は非常に興味深い学問ですが、私はそれが科学に本当に貢献するとは思いません。それは科学から学ぶものです。彼女は科学が何をしているのか、なぜ科学で成果が起こっているのか、どの経路が間違っているのか、これを成文化して理解できるのかを理解しようとしています。科学の歴史上重要だと思うもの。科学の発展にとって非常に重要なことは科学の歴史から多くを学んでいると思います。特に、認知科学ではガリラヤ以前の段階にあることを理解したとき。ガリレオがすでに見つけたものを探しているかどうかはわかりませんが、学ぶべきことがあります。たとえば、ガリレオからではなく、ガリレオの発見時からの初期科学からの驚くべき事実の1つは、単純なことが非常に混乱しやすいことです。だから私はこのカップを持って、水が沸騰すると蒸気が上がりますが、手をとるとカップが下がります。カップが落ちて蒸気が上がるのはなぜですか？何千年もの間、これは完全に満足のいく答えでした。彼らは自然な状態を目指して努力しています。

?

:これはアリストテレスの物理学です。最高の科学者は、これが答えだと信じていました。ガリレオは疑うことを許した。疑うことを許すとすぐに、直観が間違っていることがすぐにわかります。小さい質量と大きい質量のドロップのように。あなたのすべての直感はあなたを欺いています-謎はあなたが見るところどこにでもあります。科学の歴史には、勉強すべきことがあります。 「本能的に空飛ぶワシが泳ぐ」と同じ例を取り上げます。誰もそれが謎だとは思わなかった。しかし、考えてみると、非常に神秘的であり、単純な計算ではなく複雑な計算を使用しています。カップが落ちるように、これに驚いたら、「なぜ？」という質問をします。そして、かなり興味深い答えの道を歩みます。たとえば、次のとおりです。線形順序はコンピューティングシステムの一部ではありませんが、これは思考のアーキテクチャに関する重要な仮定です。線形秩序は外部化システム、つまり二次システムの一部にすぎないと言います。そして、これは非常に多くの他の方法を開きます。

または、別の例を挙げます。削減と統合の違いです。科学の歴史は、化学と物理学の非常に興味深い説明をいくつか与えており、それらは私たちの時代の認知科学と神経生理学科学の状態に非常に関連があると思います。

翻訳者のあとがき：インタビューのリリース以降、チョムスキーのその他の興味深い資料が発表されました。質問に興味がある場合は、アメリカの物理学者ローレンス・クラウス、またはチョムスキーとバーウィックの新しい本、The Talking Manと2.5時間の会話を読むことをお勧めします進化と言語。タチアナ・ボルコバ訳。