Umělá inteligence: počítačové simulace

Umělá inteligence: počítačové simulace

Většina prvotního výzkumu zpracovávání informace se zaměřila na práci založenou na počítačových simulacích lidské inteligence, stejně jako na počítačové systémy, které užívaly optimální metody řešení problémů. Programy obojího typu lze klasifikovat jako příklady umělé inteligence (AI; artificial intelligence). Počítače ve skutečnosti nemyslí - je nutné programovat je, aby se chovaly, jako kdyby myslely, to znamená, že musí být programovány, aby simulovaly kognitivní procesy. Tímto způsobem dávají nahlédnout do podrobností lidského zpracovávání informací při kognici. Počítače jsou v podstatě pouze kusy hardwaru - fyzických složek vybavení - odpovídající na instrukce. I jiná zařízení odpovídají na instrukce - např. pokud umíte zacházet s videorekordérem, tak videorekordér odpovídá na vaše instrukce a udělá, co mu „řeknete“.

Pro badatele jsou počítače zajímavé tím, že jim lze zadávat velmi složité informace známé pod označením počítačové programy, běžněji software. Ty počítači říkají, jak má odpovědět na novou informaci. Nová informace může přijít z rozličných zdrojů: a) z prostředí (např. instrukce: „Jakmile stoupne teplota nad 24, zapni chlazení“ - program vykoná instrukci, jakmile obdrží informaci z prostředí, že teplota překročila uvedenou mez); b) od někoho, kdo je v interakci s počítačem (např. program vykoná instrukci, jakmile dostane příkaz: „Vykonej program kontrolující pravopis“); a dokonce i c) z vlastních procesů (např. v průběhu výkonu instrukce programu jako: „Opakuj tento krok 10x, poté opakování ukonči a přejdi k dalšímu kroku“). Předtím než začneme probírat inteligentní programy, je nutné do hloubky uvážit, co by nás mohlo vést - pokud vůbec něco - k označení počítačového programu jako „inteligentního“.

#Může být počítačový program „inteligentní“?

#Turingův test

Pravděpodobně první vážně míněný pokus vyrovnat se s otázkou, zda může být počítačový program inteligentní, se přičítá Alanu Turingovi (1963). Je založen na myšlenkách, které Turing vyslovil roku 1950. Turing vymyslel test, v jehož průběhu člověk hodnotí respondentovu inteligenci. Základní myšlenka Turingova testu je založena na otázce, zda pozorovatel dokáže rozlišit výkon počítače od výkonu člověka, jehož výkon by byl obecně považován za výkon do jisté míry inteligentní. V konkrétní podobě navržené Turingem se testu účastní počítač, lidský respondent a člověk, jenž se táže. Tento člověk vede dvě odlišné „konverzace“ s interaktivním počítačovým programem. Cílem tážícího se jedince je zjistit, kterou z těchto dvou konverzací vedl člověk komunikující prostřednictvím počítače, a kterou vedl sám počítač. Tážící se člověk se může zeptat obou stran na cokoli. Počítač se ho však pokouší oklamat a přivést k přesvědčení, že je člověkem. Lidský respondent se snaží doložit, že je člověk, a to žena, nebo muž. Počítač úspěšně projde Turingovým testem tehdy, jestliže tážící se člověk není schopen rozlišit počítač od člověka.

Test nerozlišitelnosti počítače od člověka se běžně užívá při vyhodnocování inteligence počítačového programu. Test se obvykle neužívá způsobem, který popsal Turing. Lze např. některé druhy výstupu vytvořené počítačem prohlédnout a vyhodnotit co do srovnatelnosti s lidským výkonem. V některých případech se lidská data získaná z úloh zaměřených na řešení problémů porovnávají s daty vytvořenými počítačem, poté se vyhodnotí míra jejich vzájemného vztahu. Jestliže kupř. počítač řeší číselné řady, např. 1, 4, 9, 16  (v níž místo přirozeného čísla určujícího pořadí vystupuje jeho druhá mocnina), lze porovnat reakční časy a druhy chyb počítače a lidí řešících stejný problém (např. Kotovsky a Simon, 1973; Simon a Kotovsky, 1963). Samozřejmě, že je reakční čas počítače daleko rychlejší, než je tomu u lidí, vědce však více zajímají typické poměry a zákonitosti reakčních časů než celkový reakční čas. Jinak řečeno, základní problém není, zda počítače řeší nějaký problém v době kratší, nebo delší než lidé, ale otázka, zda řešení problému, jenž trvá počítači delší dobu, trvá relativně déle i lidskému řešiteli.

Stává se, že cílem počítačových modelů není vyrovnat se lidskému výkonu, ale překonat jej. V tomto případě je cílem programu spíše než simulace lidské inteligence vytvoření maximální umělé inteligence. Otázka, zda se výkon počítače dá porovnat s lidským výkonem, nemá už dlouho své opodstatnění. Těžištěm zájmu je, do jaké míry je počítač s to kvalitně vyřešit zadaný úkol. Kupříkladu počítačový program hrající šachy v typickém případě hraje způsobem zdůrazňujícím „brutální sílu“ - počítačové programy vyhodnocují extrémně vysoké počty možných kroků, mnohé z nich by člověka ani nenapadlo vzít v potaz (např. Berliner, 1969; Bernstein, 1958). Program IBM jménem „Deep Blue“ právě užitím brutální síly porazil v roce 1997 světového šachového velmistra Garryho Kasparova. Brutální síla se rovněž užívá v programech hrajících dámu (např. A. L. Samuel, 1963). Tyto programy se běžně hodnotí podle toho do jaké míry jsou s to porazit jeden druhého, nebo, což je ještě významnější, lidské protihráče.

Probrali jsme některé otázky povahy inteligentních počítačových programů, takže svou pozornost obrátíme k některým skutečným programům. Jejich popis dává představu, jakým způsobem se vyvíjel výzkum AI, a také představu o tom, do jaké míry modely AI ovlivnily práci kognitivních psychologů. Předchozí příklady ukázaly, že se mnoho raných programů AI zaměřovalo na řešení problémů.

#Logický teoretik (LT)

Jeden z nejranějších inteligentních programů vytvořili Allen Newell, Clifford Shaw a Herbert Simon (1957b). Tento program pojmenovaný Logický teoretik (Logic Theorist, LT) byl vytvořen za účelem důkazu teorémů v elementární symbolické logice. Může být např. požádán, aby dokázal teorém „Jestliže P nebo Q je pravdivé, pak je B pravdivé nebo P nebo Q je pravdivé.“ LT byl s to dokázat tento teorém tak, že jej porovnal s axiomem (logický výrok akceptovaný jako pravdivý). „Jestliže A je pravdivé, pak B nebo A je pravdivé“ (např. „Jestliže bude pršet, pak bude pršet nebo sněžit“, neboť pro pravdivost logického nebo dostačuje, že jeden - nebo oba - členové výroku jsou pravdivé).

K důkazu originálního teorému užil LT pravidlo substituce. Podle něj může být jakýkoli výraz dosazen (substituován) za jakoukoli proměnnou v jakémkoli teorému za předpokladu, že se substituce provádí na každém místě teorému, kde se tato proměnná objevuje. LT tento teorém dokázal substitucí „P nebo Q“ za „A“ v logickém axiomu. Tím se výrok „Jestliže je A pravdivé, pak B nebo A je pravdivé“ mění na výrok „Jestliže je P nebo Q pravdivé, pak je B pravdivé nebo P nebo Q pravdivé“, čímž je teorém dokázán.

Předložený příklad je relativně jednoduchý. Užitím pouhých čtyř pravidel, včetně pravidla substituce, byl však LT schopen dokázat podstatně komplikovanější teorémy. Newell a jeho kolegové tím ukázali, že k řešení úlohy, která dřív vyžadovala jedince s dobrou znalostí věci - stejně jako s inteligencí -, je možné naprogramovat stroj. LT byl sice schopen dokazovat teorémy, řešení dalších druhů problémů však z důvodu své úzké funkce nebyl schopen najít. V další fázi Newell a jeho spolupracovníci napsali program, jenž překročil schopnosti LT a uměl řešit širší rozsah problémů.

#Řešitel obecných problémů

Nový program jménem Řešitel obecných problémů (nebo Obecný řešitel úloh - General Problem Solver, GPS) byl vytvořen k řešení širších a obecnějších problémů, než byly druhy problémů, které byl s to řešit LT (Newell, Shaw a Simon, 1957a). GPS vychází z předpokladu, že zpracovávání informace je spíše doménově obecné než doménově (oborově) specifické. Byť GPS užívá k řešení problémů řadu odlišných metod, pracují tyto metody při řešení problémů obecně s jediným typem heuristiky. Heuristický GPS užívá analýzu prostředků a cílů, která řeší problémy tak, že postupně snižuje míru rozdílu mezi současným stavem (kde se nacházíte v současnosti) a cílovým stavem (kam se chcete dostat, viz kap. 11). Obrázek 14.5 ukazuje schematický vývojový (průběhový) diagram (modelová cesta pro dosažení cíle nebo řešení problému) popisující jak dokáže GPS transformovat jeden objekt (nebo jeden problémový stav) na jiný užitím analýzy prostředky-cíle.

Analýzu prostředky-cíle je možné užít na široký počet problémů (např. mnohotahové problémy popsané v kapitole 11, při nichž nepřátelé a milovníci lesa musí překročit řeku pomocí jednoho člunu pro 2 osoby). GPS v podobě formulované v padesátých a šedesátých letech 20. století dokázal užít heuristiku na problémy typu důkazu logických teorémů nebo některé jiné problémy popsané v kapitole 11. Programy GPS a LT jsou typickými představiteli rané práce vykonávané na Carnegie-Mellonově univerzitě. Skupina Newell-Simon z této univerzity však nebyla jediným týmem, který se namáhal s vytvořením inteligentních programů. V Massachusettském technologickém institutu (MIT) se o vytvoření programů AI zajímala skupina prvotně vedená Marvinem Minským. Programy MIT se odlišovaly od programů Carnegie-Mellonovy univerzity větším důrazem na získávání sémantických informací - tj. na užití smysluplných slovních informací (Minsky, 1968).

#SHRDLU

Počátkem sedmdesátých let 20. století vyvinul Terry Winograd (1972), vědec pracující v MIT, SHRDLU, obecně chápaný jako přelom ve vývoji AI. SHRDLU (pojmenování plyne ze základního řetězce písmen tradičního sázecího stroje užívaného v tiskárnách) slouží coby základ pro řízení robota. Winogradův robot žije ve „světě kostek“, v němž se úkoly týkají provádění různých manipulací se souborem kostek lišících se velikostí, tvarem i barvou. Svět obsahuje zelenou krychli, červený jehlan atd. Na obrázku 14.6 je několik příkladů druhů prvků obývajících svět kostek SHRDLU.

@Obr. 14.5 (Obr. 14.5): Vývojový diagram

V průběhu vývoje GPS navrhli Allen Newell, Clifford Shaw a Herbet Simon při zavádění analýzy prostředků a cílů k dosažení cíle vývojový diagram.@@

@Obr. 14.6 (Obr. 14.6): Svět programu SHRDLU

Robot Terry Winogradova byl naprogramován k činnosti ve světě trojrozměrných kostek, jenž obsahoval prvky, jako jsou kostky na obrázku.@@

Operátor programu např. může instruovat robota (prostřednictvím počítačového programu), aby sebral velkou červenou kostku. Robot ji potom sebere. V jiném případě se může operátor programu zeptat, kolik kostek není v krabici, robot poté odpoví počtem kostek mimo krabici. Někdy robot programové povely nevykoná: instrukce jsou dvouznačné nebo vyžadují objasnění. Jestliže je např. požádán, aby nadzvihl jehlan, zeptá se, který ze dvou jehlanů to má být. Program také někdy sdělí, že nezná odpověď, např. tehdy, je-li požádán, aby postavil jehlan na jehlan.

SHRDLU zpracovává informace v pojmech světa kostek. Jiné programy však operují ve velmi odlišných světech. Jeden ze zajímavějších je svět, v němž je psychoterapeut na jedné straně a pacient na straně druhé.

#ELIZA a PARRY

Do světa psychoterapie spadají dva programy, ELIZA a PARRY. První z nich přejímá roli nedirektivního psychoterapeuta, druhý roli psychoterapeutova paranoického pacienta. Cílem činnosti nedirektivního psychoterapeuta je zjistit pacientovy pocity, reflektovat je a pomoci pacientovi jeho vlastním pocitům porozumět a naučit se s nimi zacházet. Prohlédněte si např. v tabulce 14.4 část interakce mezi programem ELIZA a pacientem, jenž s tímto programem pracuje. V této části se zdá, že ELIZA má na svého pacienta klinický náhled. ELIZA však není tak bystrá, jak se zdá. Užívá klíčová slova a fráze z pacientových výroků k tomu, aby vytvářela reflexe vlastní, aniž by v širším slova smyslu chápala, co pacient říká.[1] Joseph Weizenbaum (1966) z MIT, tvůrce programu ELIZA, volil obor nedirektivní psychoterapie, protože měl za to, že odpovědi nedirektivního psychoterapeuta se napodobují snadno, na rozdíl od napodobení lidí z jiných povolání, kteří své znalosti a expertní zkušenosti prezentují v interakci s jinými lidmi direktivněji.

Jestliže je možné napodobit psychoterapeuta, proč ne pacienty? Kenneth Colby (1963), kvalifikovaný psychiatr, vytvořil napodobeninu paranoidního pacienta, jenž má starosti, jak ukazuje část dialogu v tabulce 14.4, s tím, že po něm jde mafie. Colbyho simulace paranoického jedince není pouhou množinou odpovědí, které „znějí paranoidně“. Napodobení vychází z teorie neurotických procesů paranoidních lidí. Jejich primárním záměrem je zjistit záměry druhého člověka. Sdělení druhého člověka jsou hodnocena s cílem pomoci tomuto záměru. Sdělení jsou vykládána jako zlovolná, benevolentní nebo neutrální. Výklad ve směru zlovolnosti, vůči němuž je paranoidní člověk zvláště vnímavý, může pocházet z přesvědčení, že ho druzí lidé zamýšlejí fyzicky nebo psychicky poškodit.

Tab. 14.4: Programy simulující systémy přesvědčení: Eliza a Parry

Colby docílil něco víc než pouhé typické formální ohodnocení svého programu. Požádal skupinu 33 psychiatrů, aby si přečetli přepisy „rozhovorů“ jednak s programem PARRY, jednak se skutečnými paranoiky. Nikomu z nich však neřekl, že se budou zabývat i výroky produkovanými počítačovým modelem. Přibližně polovina psychiatrů považovala model za paranoidnější, než byli skuteční pacienti.

Colbyho model se odlišuje od mnoha jiných tím, že nemodeluje jen abstraktní kognitivní procesy, ale i soustavu či druh přesvědčení. Novější Colbyho program provádí kognitivní terapii mírné deprese, užívá při tom jak textový, tak dialogový typ interakce s postiženou osobou (Colby, 1995).

#Programy napodobující expertizu

Na rozdíl od výzkumných programů na východním pobřeží v Yale na MIT a Carnegie-Mellonově univerzitě se výzkum AI na západním pobřeží, zvláště na Stanfordu, zaměřil na expertní systémy: počítačové programy, které se chovají způsobem, jakým se chová úzce specializovaný odborník. O globální model lidské inteligence ani o rozšíření vymezeného expertního systému se toto pracoviště nepokoušelo ani teoreticky. Vědci se spíše snažili napodobit výkon jen v jediné doméně, často úzké, nicméně na úrovni expertní zkušenosti, která překračovala to, co by dokázal program, jenž by byl příliš doménově obecný.

Tab. 14.5: Program napodobující expertizu: mycin

Několik programů bylo např. vytvořeno za účelem diagnostiky rozličných lidských onemocnění. Uvážíme-li opravdu vysoké náklady (finanční i lidské), které si vyžádá mylná diagnóza, je možný význam těchto programů zcela jistě obrovský. Pravděpodobně nejznámější a nejstarší program tohoto druhu je MYCIN (Buchanan a Shortliffe, 1984; Shortliffe, 1976). MYCIN se dá užít k detekci, a potenciálně dokonce i k léčení některých bakteriálních infekcí. MYCIN zpracovává výsledky krevních testů, např. počtů červených a bílých krvinek, nebo hladiny glukózy v krvi. Poté navrhne diagnózu onemocnění a vhodné léčení. Dokonce určí i míru relativní spolehlivosti své diagnózy. MYCIN je založen na organizovaném systému výroků jestliže-pak (viz tab. 14.5, která ukazuje část systému výroků užívaných MYCINEM převedených do podoby čitelné člověku). Všimněte si, že program sděluje míru své jistoty (0,6) týkající se identifikace patogenních mikroorganismů, které klasifikoval jako bakterie. MYCIN pracuje s přibližně 500 pravidly (výroky jestliže-pak) a dokáže určit asi 100 rozličných druhů bakteriálních infekcí.

Validita MYCINU byla testována jak co do diagnostiky, tak co do terapeutických doporučení. Jeho výkon bylo možné úspěšně porovnat s výkonem členů lékařské fakulty Stanfordovy univerzity. Výkon programu byl lepší než výkon studentů a rezidentů[2] téže fakulty (Yu a kol., 1984). Již dříve se ukázalo, že je dost efektivní při předpisu medikace pro meningitidu (zánět mozkových blan). Z toho plyne, že ve své relativně úzké expertní doméně je MYCIN zřetelně působivý expertní systém.

Pro lékařskou diagnostiku byly vytvořeny i další expertní systémy. Například program INTERNIST (R. A. Miller, Pople a Myers, 1982) diagnostikuje širší spektrum diagnóz než MYCIN, nicméně se jeho diagnostická výkonnost v jeho širší doméně s výkonem zkušeného internisty nedá porovnat. Tento program je ilustrací toho, čemu se někdy říká problém vztahu šíře pásma a spolehlivosti (bandwidth-fidelity problem). Čím širší je vlnové pásmo rádia nebo jiného přijímače (v němž lze vyladit stanici - nezaměňovat s šířkou přenášeného pásma; pozn. red.), tím nižší je míra jeho spolehlivosti (věrnosti kvality signálu). Podobně - čím širší je spektrum problémů, na něž je zaměřen program AI, tím méně se lze spolehnout na to, že některý z nich úspěšně vyřeší.

Další expertní systémy řeší odlišné druhy problémů včetně některých otázek zkoumaných přírodními vědami. Například raný expertní systém DENDRAL, vyvinutý na Stanfordu, pomáhá vědcům určit molekulární stavbu nově objevených organických sloučenin. MetaDENDRAL, jeho zdokonalená verze, vytváří základnímu programu DENDRAL nová pravidla užívaná v průběhu těchto identifikací (Buchanan a kol., 1976).

#Otázky zabývající se inteligencí inteligentních programů

Programy umělé inteligence, jako jsou ty, které jsou popsány výše, mají samozřejmě své kritiky. Uvažme některé z hlavních námitek, jež byly vůči zmíněným programům vzneseny. Odborníci se rozcházejí v míře významu, který jednotlivým námitkám přisuzují. Koneckonců by si každý z nás měl vyhodnotit takové připomínky sám pro sebe.

Některé z námitek vůči umělé inteligenci poukazují na meze současného hardwaru i softwaru. Lidský mozek např. zpracovává řadu informačních zdrojů souběžně. S ohledem na architekturu počítačového hardwaru dokáže většina počítačů (prakticky všechny rané, a dokonce i většina současných) zvládat v jednom okamžiku jen jednu instrukci. Modely založené na počítačových simulacích tedy dosti závisí na sériovém zpracování informací (krok za krokem, v každém okamžiku jeden). Na druhé straně zapojení různých počítačů do neuronální sítě však nyní dokáže napodobit paralelní zpracovávání informací (řada kroků prováděných souběžně). Z toho plyne, že sériové zpracovávání se už všech modelů umělé inteligence netýká.[3]

#Nemají intuici

Další mez umělé inteligence se vztahuje k odlišné charakteristice lidské inteligence - k intuici. Hubert Dreyfus a Stuart Dreyfus (1990) mají za to, že počítače mohou být dobrými a kompetentními manipulátory symbolů na základě předem připravených algoritmů, nicméně jim chybí intuice. Podle těchto autorů se intuice projevuje v pocitech odlišujících skutečné experty od lidí vybavených jen knižními znalostmi nicméně bez zkušenosti, která by je opravňovala v průběhu konfrontace s obtížnou situací maximálně využít své znalosti. Dreyfusovi argumentují v zásadě v tom směru, že počítače excelují v matematickém a deduktivním, nikoli v intuitivním aspektu myšlení.

Například letadlo DC-10 společnosti United Airlines muselo nouzově přistát - všechny tři jeho hydraulické systémy byly poškozeny troskami pocházejícími z turbíny, která se utrhla v průběhu letu a zasáhla zadní část letadla, kde jsou tyto tři hydraulické systémy propojeny. Pilot DC-10 zavolal technický štáb a žádal radu, co má dělat v situaci, kdy přišel o hydrauliku. Techničtí experti nebyli schopni posádce letadla pomoci, s takovou situací se do té doby nesetkali a neměli instrukce, na jejichž základě by se mělo jednat. Posádka letadla však využila svou intuici a podařilo se jí letadlo řídit kombinací výkonu zbylých motorů. Média a další poté oslavovali pilota a jeho posádku za intuici, která jim pomohla řešit situaci, na níž neexistovaly směrnice a na kterou nebyl napsán žádný počítačový program. Výsledkem bylo, že nouzové přistání v Sioux City, ve státě Iowa, přežily asi dvě třetiny pasažérů.

Pozn. překl.: První otázka v této souvislosti zní, co je intuice a zda se tato vlastnost dá považovat za součást inteligence. Chování pilota a posádky by se dalo spíše než intuicí vysvětlit zkušeností, odvahou a chladnokrevností. Damasio a kol. otázku intuice řešili v řadě prací, z nichž plyne její povaha a mechanismus. Jejich teorie se jmenuje teorie somatických markerů. Řada experimentů i dalších typů výzkumu dokazuje, že intuice expertů v porovnání s výsledky adekvátních statistických metod prakticky vždy selhává. Svět je prostě kontraintuitivní. Viz např. Sutherland, S.: Irrationality. Rutgers University Press, 1992.

Argumentace, podle níž počítače nevykazují intuitivní inteligenci, neprošly bez povšimnutí. Několik badatelů zabývajících se otázkou, jak lidé řeší problémy (viz kap. 11), zkoumalo počítačové simulace řešení problémů. Jejich výzkum je dovedl k přesvědčení, že přinejmenším některé znaky intuice na počítačích modelovat lze. Kupříkladu Pat Langleyová, Herbert Simon, Gary Bradshaw a Jan Zytkow (1987) napsali množinu programů (programy „Bacon“) napodobujících procesy, které se týkaly různých významných vědeckých objevů. Tito autoři jsou přesvědčeni, že jejich programy intuici mají, nadto že v intuici není nic mystického. Podle nich je intuici možné pochopit v pojmech stejného mechanismu zpracovávání informací, které lze užít i ke konvenčním podobám řešení problémů (což experimentálně doložila zmíněná Damasiova skupina - pozn. překl.).

John Holland, Keith Holyoaková, Richard Nisbett a Paul Thagard (1986) v podobném duchu simulovali rozsáhlé části teorie induktivního uvažování - šli za informace zadané v problému a získali řešení, které z prvků problému nelze deduktivně vyvodit. Je snadné argumentovat, že takový program aspoň v nějakém slova smyslu intuitivní je, neboť jde za dané informace. I jiné programy tvoří úsudky, které jdou za prostá fakta uložená v jejich databázích.

#Inteligence a zdání inteligence

Autorem patrně fundamentálnějšího zpochybnění umělé inteligence je spíše filozof než kognitivní psycholog. John Searle (1980) vznesl námitku proti základní myšlence tvrdící, že počítače je možné považovat za skutečně inteligentní. Jádrem jeho námitky je problém pojmenovaný „Čínský pokoj“. Představte si, že Searle sedí v uzavřeném pokoji a má čínsky psaný spis, který má přeložit. Čínsky vůbec neumí. Předpokládejme však, že kromě čínsky psaného spisku dostal ještě další čínskou příručku, v níž jsou pravidla překladu z čínštiny do angličtiny. Nadto obdržel třetí text, v němž jsou pravidla pro formulaci odpovědí na otázky vznesené v prvním spisku napsaném čínsky. Searle poté na první spisek odpoví tak, že odpověď má nejen smysl, ale je v dokonalé čínštině. V průběhu doby, předpokládejme, Searle natolik svou manipulaci s pravidly zdokonalí, že jeho odpovědi budou ve všech ohledech stejně dokonalé, jako by byly odpovědi rodilého Číňana, jenž přesně rozumí tomu, nač byl tázán. Ve skutečnosti Searle stále neumí čínsky ani zbla. Prostě užívá pravidla.

Podle Searla se programy, které se zdají chápat různé druhy vstupů a pak inteligentně odpovídat (jako je Winogradův program SHRDLU), chovají stejně jako Searle v čínském pokoji. Počítače nechápou vstupy, které se jim dostávají, o nic víc, než Searle rozumí čínštině. Počítače pouze operují na základě množiny předepsaných pravidel. Searle tvrdí, že počítače ve skutečnosti nevidí ani nechápou vztah mezi vstupem a výstupem, ale užívají předem dané vztahy, na jejichž základě při povrchním pohledu vypadají inteligentně. Podle Searla tyto programy nejsou nositeli umělé inteligence, pouze se zdají vykazovat inteligenci.

Dalo se předpokládat, že badatelé AI nesoutěžili, kdo první z nich přijme Searlovu argumentaci a přizná bláznovství svých pokusů modelovat AI. Řada vědců nabídla odpověď Searlově výzvě, podle níž počítače nejsou tím, zač se vydávají. Například Richard Abelson (1980) argumentoval tím, že užití systémů pravidel v Searlově druhé a třetí příručce je ve skutečnosti inteligentní. Abelson dále argumentuje tím, že děti, které zvládají jazyk, také nejprve užívají pravidla dosti naslepo a teprve později začnou chápat jak tato pravidla, tak jejich užití. Jiní uváděli důkazy, že pochopení vykazuje systém jako celek (zahrnující Searla i jeho instrukce). Některé počítačové programy dokonce ukázaly schopnost napodobit přinejmenším mírný vývoj dovedností a získávání znalostí, byť se existující programy lidské schopnosti zmnožit svou vlastní inteligenci nepřibližují.

Pozn. překl.: Za pozornost stojí zejména analýza Searlova argumentu podaná manželi Churchlandovými - ta důkaz čínského pokoje s ohledem na soudobé poznání vyvrátila. Searlův argument podle Churchlandových pomíjí, že paralelně distribuovaný systém, nadto nadaný plasticitou, je nositelem porozumění jako celek. Jediný neuron také není nijak inteligentní. Čtyřiadvacet miliard neuronů a tři biliony jejich vzájemných spojení již nositelem inteligence být mohou. Pokud by v čínském pokoji pracovaly tři biliony Searlů, jako celek by se čínsky naučily. V praxi argument čínského pokoje vyvrací zejména artilekty, viz výše.