Al final de su libro “La conciencia inexplicada”, Juan Arana señala que la nomología, explicación según las leyes de la naturaleza, requiere de una nomogonía, una consideración del origen de las leyes. Es decir, que el orden que observamos en el mundo natural requiere una instancia previa que ponga ese orden específico. Sabemos que desde la revolución científica la mejor manera de explicar dicha nomología ha sido mediante las matemáticas. Sin embargo, en las últimas décadas se han presentado algunas propuestas (...) basadas en modelos matemáticos que fundamentarían muchos aspectos de la realidad. Dos claros ejemplos provienen de Roger Penrose y Max Tegmark. Esto lleva a pensar en una posición no solo nomológica sino además nomogónica de la matemática. ¿Puede la Naturaleza estar fundada por las matemáticas como señalan algunos físico-matemáticos? Y en ese caso, ¿sería pertinente buscar una nomo-génesis de esta índole en la constitución de la conciencia? -/- At the end of his book “La conciencia inexplicada”, Juan Arana points out that nomology, explanation according to the laws of nature requires a nomogony, an account of the origin of the laws. This means that the order that we can observe in the natural World demands something prior to posit that specific order. Since the scientific revolution we know that the best way to explain that nomology has been through mathematics. Anyway, in recent decades a number of proposals based on mathematical models that found many aspects of reality has been offered. Two clear examples come from Roger Penrose and Max Tegmark. This drives us to think of a position of mathematics as not only nomological but also nomogonical. Can Nature be founded by mathematics as some physicists and mathematicians point out? And, in this case, would be relevant this kind of approach to search a nomo-genesis in the constitution of consciousness? (shrink)

This chapter uncovers the complex negotiations for authority in various representations about futures of life which have been advanced by different branches of the sciences, and have culminated in the emerging concept of life as algorithm. It charts the historical shifts in expertise and representations of life, from naturalists, to mathematical modellers, and specialists in computation, and argues that physicists, game theorists, and economists now take a leading role in explaining and projecting futures of life. The chapter identifies Richard Dawkins (...) and Max Tegmark at the forefront of the concept of life as algorithm: the first inspired by game theory as a means to study evolution; the second proposing that a materialist basis of life could place humans and artificial intelligence on an equal footing. Through close reading of their respective texts, the chapter demonstrates that both thinkers consider life as an algorithm programmed to achieve success in survival and reproduction. (shrink)

In my review of Steven French's The structure of the world. Metaphysics & Representation. OUP, Oxford, 2014 I argue that the author is forced to navigate between the Scilla of Tegmark’s Pitagoreanism (2008) and the Carybdis of “blobobjectivism” (Horgan and Potrč 2008), namely the claim that the whole physical universe is a single concrete structurally complex but partless cosmos (a “blob”).

Physicists Brian Greene and Max Tegmark both make variants of the claim that if the universe is infinite and matter is roughly uniformly distributed, then there are infinitely many “people with the same appearance, name and memories as you, who play out every possible permutation of your life choices.” In this paper I argue that--while our current best theories in astrophysics may allow one to conclude that we have infinitely many duplicates whose lives are identical to our own from (...) start to finish--without either further advances in physics or advances in fields like biology, psychology, neuroscience, and philosophy, Greene’s and Tegmark’s claims about the ways in which our duplicates lives will differ from our own are not a consequence of our best current scientific theories. Rather, I argue that Greene and Tegmark’s conclusions rely on philosophically imprecise usages of the language of “possibility.”. (shrink)

Leibniz said that the universe, if God-created, would exist at a unique, conjoint, physical maximum: Of all possible worlds, it would be richest in phenomena, but its richness would arise from the simplest physical laws and initial conditions. Using concepts of ‘‘variety’’ and algorithmic informational complexity, Leibniz’ claim can be reframed as a testable theory. This theory predicts that the laws and conditions of the actual universe should be simpler, and the universe richer in phenomena, than the presence of observers (...) would require. Tegmark has shown that inhabitants of an infinite multiverse would likely observe simple laws and conditions, but also phenomenal richness just great enough to explain their existence. Empirical observations fit the claim of divine choice better than the claim of an infinite multiverse. The future of the universe, including its future information-processing capacity, is predicted to be endless. -/- . (shrink)

A ansiedade gerada pela possível criação de inteligência artificial geral, algo profetizado desde a fundação do campo de pesquisa (i.e., Dartmouth's Summer Research Project on Artificial Intelligence) (MCCARTHY et al., 1955), é algo comumente investigado dentro dos círculos transhumanistas e singularistas (KURZWEIL, 2005; CHALMERS, 2010; TEGMARK, 2016; 2017; CORRÊA; DE OLIVEIRA, 2021). Por exemplo, em seu livro “Superintelligence: Paths, Dangers, Strategies”, Nick Bostrom (2014) apresenta uma série de argumentos para justificar a ideia de que precisamos ser cautelosos em relação (...) a criação de inteligência artificial avançada ou inteligência artificial geral. Contudo, muito dos argumentos levantados, em suas versões originais (i.e., convergência instrumental e ortogonalidade (OMOHUNDRO, 2008), são baseados em noções “vagas” de conceitos complexos (i.e., “inteligência”, “racionalidade”, “agência”). O objetivo deste resumo (apresentação) será introduzir o leitor/ouvinte ao campo de Segurança da Inteligência Artificial. Nesse campo, questões como o “Problema de controle” (i.e., evitar construir inadvertidamente uma inteligência artificial geral que prejudicará seus criadores) e o “Problema de Alinhamento” (i.e., criar sistemas de inteligência artificial que permaneçam seguros mesmo quando atuando de forma autônoma no ambiente real), que são questões muitas vezes debatidas apenas dentro da Filosofia ou Ficção Científica, ganham um aspecto muito mais real e formal (AMODEI et al., 2016, HUBINGER et al., 2019). A criação de alguns dos modelos de inteligência artificial mais avançados já criados (e.g., AlphaGo, GPT-3) (SILVER el al., 2016; BROWN et al., 2020), está ligado a utilização de dois paradigmas da área de Aprendizagem de Máquina, i.e., Aprendizagem Profunda e Aprendizagem por Reforço. Dentro deste contexto, podemos definir “um sistema autônomo inteligente” como “um sistema que implementa uma política ótima (tecnicamente "ϵ-greedy optimal") para alguma função de recompensa” (ORSEAU et al., 2018). Podemos também definir tais sistemas como “maximizadores de utilidade esperada” (VON NEUMANN; MORGENSTERN, 1944). Um sistema de IA maximizando uma função de recompensa (i.e., objetivo) especificada erroneamente pode vir a causar danos reais quando interagindo no ambiente real, seja por erros de especificação (i.e., Efeitos Colaterais Negativos, Hackeamento de Recompensa, Interrupção Segura), ou quando o domínio de treinamento é diferente do domínio de implantação (i.e., Exploração Segura e Mudança de Domínio). Ao mesmo tempo, especificar objetivos complexos (e.g., preferências e valores humanos) é uma tarefa extremamente complexa, e quando visamos a possibilidade de inteligência artificial avançada agindo no mundo real, é imperativo que tais sistemas estejam: (1) alinhados com nossos objetivos; e (2) desenvolvidos com um design que evite os problemas citados acima. Contudo, tais problemas permanecem em aberto. Por fim, gostaria de ressaltar que no cerne desta problemática, não temos apenas problemas técnicos de aprendizagem de máquina, mas uma importante questão de cunho “Moral”: “O que é a coisa ‘certa” a fazer”? “Qual o objetivo correto a ser perseguido”? “Como podemos especificar isso”? Perguntas como essas prometem um fértil campo para pesquisas interdisciplinares envolvendo inteligência artificial, aprendizagem de máquina, ciências da computação e filosofia moral. (shrink)