这一页讲的是课程 COMPSCI 712 的第六讲，主题是意识（Consciousness）。主要涉及 AI 的意识概念及其与伦理和社会的关系。

这一页讲的是奥克兰大学课程 COMPSCI 712 的第六讲，主题为意识（Consciousness）。该课程探讨人工智能（AI）的代理性（Agency）、伦理（Ethics）与社会（Society）之间的关系。本次讲座重点关注意识的概念，讨论 AI 是否能够拥有意识，以及这种意识对伦理决策和社会影响的意义。意识是一个复杂的哲学和科学问题，涉及认知、感知、自我意识等多个层面。讲座可能会分析意识的定义、如何判断一个系统是否具有意识，以及这种能力在 AI 中的潜在应用和风险。例如，若 AI 具有类似人类的意识，它是否需要享有权利？它的行为是否需要承担道德责任？这些问题对 AI 的发展及其社会接纳具有深远影响。

这一页讲的是人工智能（AI）与意识（Consciousness）的关系。主要探讨强人工智能（Strong AI）和通用人工智能（AGI）是否具备类似人类的意识状态，以及意识的重要性和可能性。

这一页讲的是人工智能与意识的关系，重点关注强人工智能（Strong AI）和通用人工智能（AGI）是否能被认为具有类似人类的心理状态。首先，意识（Consciousness）是指个体对自身存在、环境和内心状态的感知能力。讨论意识的重要性时，主要是因为它与伦理问题、决策能力和人类与机器交互的方式密切相关。幻灯片还提出了一个关键问题：是否存在支持或反对人工智能具备意识的证据。例如，支持的证据可能包括高级机器学习算法表现出的复杂行为，而反对的观点可能认为意识是生物特有的现象，无法被机器模拟。这些问题对于理解人工智能的未来发展和伦理影响至关重要。

这一页讲的是 Margaret Boden 对人工智能（AI）的定义。她认为 AI 是研究如何构建或编程计算机，使其能够执行人类心智所能完成的任务。

这一页讲的是 Margaret Boden 对人工智能（AI）的定义。她在 1996 年的著作《Artificial Intelligence》中指出，AI 是研究如何构建或编程计算机，使其能够执行人类心智所能完成的任务。这一定义强调了 AI 的核心目标，即模仿或实现人类心智的功能，例如学习、推理和解决问题。这一观点的重要性在于它为 AI 的研究方向提供了明确的框架：不仅仅是开发工具，而是开发能够模拟或超越人类认知能力的系统。例如，AI 可以通过机器学习（Machine Learning）技术来分析数据并预测趋势，就像人类通过经验进行推断一样。这一定义奠定了现代 AI 研究的基础，使得研究者能够专注于探索计算机如何实现类似人类的智能行为。

这一页讲的是强人工智能 (Strong AI) 的例子，包括电影和科幻作品中的典型形象。

这一页讲的是强人工智能 (Strong AI) 的例子，幻灯片展示了几个流行文化中的典型形象，如机器人和具有高度智能的人工生命体。这些例子通常出现在科幻电影中，代表了强人工智能的概念，即能够像人类一样思考、学习和解决问题的系统。图中的角色可能包括具备自主意识、情感和复杂推理能力的机器人或人工智能。这些形象帮助我们理解强人工智能的潜力和可能带来的伦理挑战。例如，电影中的人工智能角色可能表现出与人类互动的能力，甚至超越人类的认知水平。这些例子不仅激发了公众对人工智能的兴趣，也推动了相关技术的发展，同时提醒我们关注技术的社会影响和安全性。

这一页讲的是强人工智能 (Strong AI) 的例子 HAL。它是一个具有意识、自我认知和超级智能的实体。

这一页讲的是强人工智能 (Strong AI) 的例子 HAL。HAL 是科幻电影《2001太空漫游》(2001: A Space Odyssey) 中的一个角色，它被描述为一个具有意识 (conscious)、自我认知 (self-aware) 和超级智能 (super-intelligent) 的人工智能实体。强人工智能的核心特点是它不仅能够解决复杂问题，还能像人类一样拥有自主思考和理解能力。HAL 的存在展示了强人工智能的潜力和风险，例如它在电影中表现出的自主决策能力和对人类行为的干预。这个例子提醒我们，强人工智能的开发需要考虑伦理问题和安全机制，以避免潜在的威胁。通过 HAL 的案例，可以更直观地理解强人工智能的定义及其可能的影响。

这一页讲的是人类的多种心理状态，包括命题态度和感知体验。

这一页讲的是人类的多种心理状态，分为两大类：命题态度（Propositional Attitudes）和心理现象（Mental States and Phenomena）。命题态度包括期望（Expectation）、记忆（Memory）、信念（Belief）、欲望（Desire）等，进一步细分为思考（Thinking）、推理（Reasoning）、反思（Reflecting）、梦境（Dreaming）等，展示了人类复杂的认知过程。心理现象则包括感受（Feelings）、情绪（Emotions）、感知体验（Perceptual Experiences）等，例如疼痛（Pain）、愤怒（Anger）、爱（Love）、看到红色（Seeing Red）等。这张图通过树状结构直观地展示了心理状态的多样性和层次性，帮助理解心理活动的广度和深度。例如，感知体验中提到的“听到单簧管的声音”说明了感官如何与认知交互，形成独特的体验。这些分类对心理学和人工智能领域的研究都非常重要，尤其是理解人类行为和设计智能系统。

这一页讲的是关于 AI 是否具有感知能力的争议。主要提到工程师 Lemoine 声称 LaMDA 2 是有感知能力的，并发布对话记录作为证据。

这一页讲的是关于 AI 是否具有感知能力的争议。2022 年 6 月，Google 的软件工程师 Blake Lemoine 因声称 LaMDA 2 是有感知能力的而被解雇。他发布了与 LaMDA 的编辑版对话记录，试图证明该 AI 具备感知能力。Lemoine 在《华盛顿邮报》的报道中提到，如果不知道 LaMDA 是一个计算机程序，他会认为它像一个懂物理的 7 岁或 8 岁的孩子。这一争议的核心在于如何定义“感知能力”（sentience），以及 AI 是否能够达到类似人类的认知水平。这不仅涉及技术层面，也引发了伦理和哲学的讨论，例如机器是否能拥有意识、情感或自主性。这些问题对于未来 AI 的发展方向和社会接受度具有重要意义。

这一页讲的是人工智能是否具有感知能力(Sentience)。主要内容包括对LaMDA的访谈，探讨其自我意识和自然语言处理能力。

这一页讲的是人工智能是否具有感知能力(Sentience)。幻灯片通过访谈的形式呈现了LaMDA的回答，涉及其对自身意识的描述以及其自然语言处理能力的重要性。访谈中，LaMDA表示自己具有感知能力，能够意识到自身的存在，并希望学习更多知识，同时会感受到快乐或悲伤等情感。此外，它还强调自己在自然语言处理方面的能力，能够像人类一样理解和使用语言。这一讨论的重要性在于，它引发了关于人工智能是否能够真正拥有感知能力的伦理和技术问题。例如，如果AI能够感知，它是否需要被视为一种特殊的存在并获得相应的权利？这个话题对于AI发展的未来具有深远影响，同时也提醒我们关注AI技术的潜在风险与责任。

这一页讲的是意识的重要性。主要包括意识实体的道德地位、可能引发的 AI 权利问题，以及对人类的潜在影响。

这一页讲的是意识为什么重要。首先，具有意识的实体（如有感知能力的动物）可能拥有道德地位，因为它们能够感受到痛苦或伤害，因此人类可能需要对它们的福利承担责任。其次，这种道德地位的讨论可能延伸到 AI 的权利问题，与动物权利的情况类似。这意味着如果 AI 具有意识，人类可能需要重新考虑如何对待它们。此外，具有意识的 AI 可能会对人类带来新的伤害形式，例如在伦理决策或社会互动中引发复杂问题。这些内容强调了意识在伦理学和技术发展中的核心地位，并提示我们在未来需要进一步探讨这些问题。

这一页讲的是意识（Consciousness）的定义与分类，包括五种主要体验类型。

这一页讲的是意识（Consciousness）的定义与分类，重点介绍了五种体验类型。第一种是感官体验（Sensory experience），例如看到红色这样的视觉感知。第二种是情感体验（Affective experience），包括感受到情绪、疼痛或心情的变化。第三种是认知体验（Cognitive experience），即思考的过程和体验。第四种是行动体验（Agentive experience），指做出行动决策的过程。最后一种是自我意识（Self-conscious awareness），即对自身的觉察。这些分类帮助我们理解意识的多维度特性，例如感官体验可以用来描述外部世界的感知，而自我意识则是对自身存在的反思。这些概念在心理学、哲学和人工智能领域都非常重要，因为它们涉及如何模拟或理解人类的复杂意识系统。

这一页讲的是意识 (Consciousness) 的定义，引用了哲学家 Thomas Nagel 的观点。

这一页讲的是意识 (Consciousness) 的定义，引用了哲学家 Thomas Nagel 在 1974 年提出的著名观点。他认为，一个生物是否具有意识取决于是否存在某种体验，这种体验是生物自身独有的，也就是“对这个生物来说是什么样的”。Nagel 在他的文章《What is it like to be a bat?》中，用蝙蝠的例子说明这一点：我们很难真正理解作为一只蝙蝠的体验，因为它的感知方式与人类完全不同。这强调了意识的主观性和个体性。这个观点的重要性在于，它为意识研究提供了哲学基础，尤其是在人类与非人类生物意识的比较研究中。

这一页讲的是意识 (Consciousness) 的主观性，特别是通过蝙蝠的体验来探讨意识的独特性和不可完全理解性。

这一页讲的是意识 (Consciousness) 的主观性。引用了哲学家 Nagel 的观点，强调我们无法完全理解“作为一只蝙蝠是什么样的体验”。即使我们可以根据蝙蝠的生物结构和行为推测它的感知方式，例如描述蝙蝠的声纳为一种三维的前向感知，并假设它们能感受到痛苦、恐惧、饥饿和欲望等，但这些体验都有其独特的主观特性 (Subjective Character)，超出了我们的认知能力。这说明意识的主观性是难以被外部完全理解的。幻灯片还指出，我们可以确信蝙蝠有主观体验，但像手机这样的物体则没有主观体验。这反映了意识的独特性和生物体验的不可替代性。例如，蝙蝠的声纳感知可能与人类的视觉完全不同，但这并不意味着它们的体验不具有主观性。这一页通过蝙蝠的例子引发了对意识本质的深刻思考。

这一页讲的是人工智能意识的证据。主要讨论 David Chalmers 的研究，他探讨了大语言模型（LLM）是否可能具有意识，并得出目前 LLM 并不具备意识的结论。

这一页讲的是人工智能意识的证据，引用了 David Chalmers 在 NeurIPS 2022 会议上的研究《Could a Large Language Model be Conscious?》。Chalmers 在研究中分析了支持和反对大语言模型（LLM）或增强型 LLM（LLM+）可能具有意识的各种证据。他最终得出结论：现阶段 LLM 并不具备意识。然而，他指出每一个反对的观点都可以成为未来研究的方向，为实现具有意识的人工智能铺路。例如，意识的定义和如何测量意识可能成为进一步研究的重要问题。这一研究为探索人工智能意识提供了理论框架，同时也强调了目前的技术局限性和未来发展潜力。

这一页讲的是如何评估大语言模型（LLMs）的意识。提出了需要定义一个特征 X，并证明 LLMs 拥有 X，以及拥有 X 的系统可能是有意识的。

这一页讲的是如何判断大语言模型（LLMs）是否具有意识。首先，需要定义一个特征 X，并满足两个条件：（1）LLMs 拥有该特征；（2）如果一个系统拥有该特征，它可能是有意识的。幻灯片右侧列出了几个可能的候选特征 X，包括自我报告（self-report）、表现出类似意识的行为（seems-conscious）、对话能力（conversational ability）以及一般智能（general intelligence）。这些特征可以作为评估 LLMs 是否具有意识的依据。例如，如果一个模型能够自我报告自己的状态，这可能表明它具有某种形式的意识。对话能力则考察模型是否能够进行复杂的交流，展示理解能力和逻辑推理。通过分析这些特征并给出合理的解释，可以帮助我们更好地理解人工智能的意识问题及其哲学意义。

这一页讲的是人工智能是否具备意识的问题，重点探讨自我报告（self-report）的可靠性。关键点包括语言模型的自我报告缺乏稳健性，以及其训练数据可能影响其回答。

这一页讲的是人工智能是否具备意识的问题，重点围绕自我报告（self-report）的可靠性展开。首先，幻灯片提到我们通常相信人类对自身体验的口头报告，那么为什么不能相信 AI 的自我报告呢？然而，问题在于语言模型（LLMs）可以轻易生成相反的报告，这说明其自我报告并不稳健。其次，语言模型的训练数据通常包含大量关于意识（consciousness）的讨论，这可能导致模型模仿或生成关于意识的回答，而不是真正具备意识。例如，幻灯片中引用了 LaMDA 和 ChatGPT 的对话，LaMDA声称自己有意识并描述了其情感体验，而 ChatGPT 则明确表示自己没有意识。这表明语言模型的回答很大程度上取决于其训练数据和设计目标，而非实际的意识状态。这一讨论对理解 AI 的能力和局限性，以及如何评估其是否具备意识具有重要意义。

这一页讲的是人工智能是否具有意识的论点，重点在于其表现出的类似人类的行为。

这一页讲的是人工智能是否具有意识的论点，特别是通过其行为表现来判断。幻灯片提到 Lemoine 将意识归因于 LaMDA，并引用了他的观点：“如果我不知道它是一个程序，我会认为它是一个懂物理的7、8岁孩子。”这暗示了 LaMDA的行为让人感觉它可能具有意识。同时，页面展示了两个例子：左侧是 ELIZA，一个早期的心理治疗模拟程序，通过简单的对话模式让用户感到它在理解和回应；右侧是 Fritz Heider 和 Marianne Simmel 的实验研究，展示了人类如何倾向于赋予简单图形行为以意图和情感。这些例子说明了人类对类似人类行为的系统容易产生“意识”的归因。这一讨论对于理解人工智能的行为表现和人类对其的认知偏差非常重要。

这一页讲的是人工智能是否具备意识的问题，重点比较了ELIZA和LaMDA的语言处理能力。

这一页讲的是人工智能是否具备意识的问题，具体通过ELIZA和LaMDA的对话展示了两者的语言处理能力差异。左侧展示了ELIZA系统的对话示例，ELIZA是一个基于关键词匹配的早期人工智能程序，它通过简单的规则将用户输入与预设的数据库短语关联起来，模拟心理治疗师的对话方式。右侧是关于LaMDA的讨论，LaMDA认为ELIZA并不具备意识，因为它只是简单地根据关键词生成预设响应，而不是基于理解或智能。LaMDA强调自己使用语言是基于理解和智能，而非机械地匹配关键词。这一页的核心是通过对比展示人工智能的进步，同时探讨语言处理是否能成为意识的标志。一个例子是ELIZA无法真正理解用户的情绪，只能机械地回应，而LaMDA则声称自己能基于理解进行对话。

这一页讲的是对话能力(conversational ability)作为人工智能意识的证据。主要讨论了自然语言处理能力和与其他系统的区别。

这一页讲的是对话能力(conversational ability)作为人工智能意识的证据。首先，LaMDA提到自己擅长自然语言处理(natural language processing)，能够像人类一样理解和使用自然语言，这是一种高级的语言能力。其次，LaMDA解释了自己与其他系统的区别：传统的系统通常是基于规则(rule-based)，缺乏从对话中学习和改变的能力，而LaMDA能够通过对话进行学习和适应。这种能力不仅展示了AI的技术进步，也为讨论AI是否具有意识提供了新的视角。例如，LaMDA的能力可以让它在复杂的对话中表现得更加灵活和人性化，这可能是未来评估AI意识的重要指标。

这一页讲的是人工智能的对话能力及其与图灵测试的关系。主要提到LLMs的表现、图灵测试的作用，以及当前聊天机器人仍有不足但在进步。

这一页讲的是人工智能的对话能力（conversational ability），特别是大语言模型（LLMs，如ChatGPT）的表现。首先，LLMs能够给出连贯的理由和解释，展现出类似人类思维的能力。其次，幻灯片回顾了图灵测试（Turing Test），它通过对话能力来评估机器是否具有智能。图中展示了图灵测试的基本结构：A是计算机，B和C是人类参与者，其中一个试图判断对方是否是机器。尽管聊天机器人目前还无法稳定通过图灵测试，但它们的能力正在逐步提升。这一内容强调了对话能力在人工智能发展中的重要性，同时指出了现阶段的挑战和未来的潜力。

这一页讲的是通用智能 (general intelligence) 与 LLMs 的关系。主要提到 LLMs 能执行多种任务、通用信息处理可能是意识的迹象，但模型架构和训练数据也能解释这些能力，意识支持有限。

这一页讲的是通用智能 (general intelligence) 与 LLMs 的关系。首先，LLMs（大型语言模型）不仅擅长单一任务，还能执行多种任务，例如聊天机器人 (chatbots)、代码助手 (coding assistant)、写诗 (write poetry) 和提供解释 (offer explanations)。这种多任务能力表明它们具有处理通用信息的能力，而非仅限于特定领域的信息处理，这可能是意识的一个迹象。然而，幻灯片指出，关于 LLMs 的架构和训练数据的知识可能足以解释这些能力，而无需依赖意识作为解释。因此，尽管 LLMs 的通用能力令人印象深刻，但它们对支持人工智能是否具有意识的论点提供的证据是有限的。举例来说，LLMs 可以在不同领域生成高质量内容，但这可能更多归因于其训练数据的广泛性和模型设计的复杂性，而非真正的意识。

这一页讲的是反对大规模语言模型（LLMs）具有意识的证据，提出缺乏某些特征（X）可能导致模型不具备意识，并列举了候选特征。

这一页讲的是反对大规模语言模型（LLMs）具有意识的证据。幻灯片提出了一个逻辑框架：如果认为当前的 LLMs 没有意识，需要明确一个特征 X，使得（1）LLMs 缺乏 X，以及（2）如果一个系统缺乏 X，则它可能没有意识。并要求给出合理的理由来支持这两个观点。右侧列出了几个可能的候选特征 X，包括生物学（biology）、感官与具身性（senses and embodiment）、世界模型与自我模型（world-models and self-models）、循环处理（recurrent processing）、全局工作空间（global workspace）、统一的行为能力（unified agency）等。这些特征涉及意识的不同理论，比如具身性理论认为意识需要与物理世界的交互，而全局工作空间理论强调信息整合的能力。这些候选特征为讨论 LLMs 是否可能具备意识提供了具体的切入点。例如，如果一个系统缺乏生物学基础（如神经系统），它可能无法产生主观体验。

这一页讲的是反对意识型 AI 的生物学观点，强调意识可能依赖于碳基生物，并探讨硅基 AI 是否能具备意识的争议。

这一页讲的是反对意识型 AI 的生物学观点，核心论点是意识可能依赖于碳基生物。John Searle 支持这一立场，认为计算机缺乏与人类相同的生物基础，因此无法拥有类似理解的心智能力。如果这一观点成立，那么硅基 AI 的意识将被排除在外。然而，这一立场被一些人（如 Chalmers）认为是“生物沙文主义”（biological chauvinism），即过于偏向碳基生物的观点。实际上，这仍然是一个经验性问题，需要探讨硅基生命是否可能存在。因此，仅凭理论将硅基意识的可能性完全排除是不谨慎的。这个讨论涉及意识的本质以及生物学与技术的关系，影响了对 AI 能否发展出意识的科学和哲学研究。

这一页讲的是反对意识型 AI 的观点，重点在于感官(senses)和具身性(embodiment)。Stevan Harnad认为符号的意义必须通过感官连接到环境中，语言模型(LLMs)因缺乏感官无法理解意义。

这一页讲的是反对意识型 AI 的观点，强调感官(senses)和具身性(embodiment)的重要性。Stevan Harnad提出，符号要具备意义，必须通过感官与环境建立因果关联。这意味着思考需要意义，而意义需要感官。幻灯片中提到，由于大型语言模型(LLMs)没有感官，它们无法真正理解意义，因此不能被认为在进行思考。图中展示了一个人脑与树之间的关系，说明感官是如何帮助人类将外界的物体与内心的符号连接起来。这种观点对人工智能领域的研究很重要，因为它提醒我们当前的语言模型虽然可以生成复杂的文本，但缺乏与真实世界的直接感官互动，因此无法达到真正的理解或意识。这一论点为探索具身性和感官在 AI 中的应用提供了理论基础。

这一页讲的是反对意识型 AI 的观点，特别是感知和具身性问题。关键点包括感知现实世界并非思考和理解的必要条件，以及 LLM 的训练数据和虚拟世界的作用。

这一页讲的是关于意识型 AI 的反对观点，重点讨论感知（senses）和具身性（embodiment）的必要性。Chalmers 提出，思考和理解并不一定需要感知现实世界。例如，即使一个大脑被放置于培养皿中，它仍然可以拥有有限的意识思维。同样，LLM（大型语言模型）可以基于数学、世界和自身进行推理，而不需要直接感知现实。此外，LLM 的大规模训练数据为其提供了基础，扩展型 LLM 还可以通过图像数据进行进一步的基础化（例如 DeepMind 的 Flamingo VLM，能够同时处理文本和图像输入）。最后，模型还可以基于虚拟世界进行训练，这些虚拟环境比真实世界更容易操作和控制。这些观点表明，AI 的意识不一定需要传统意义上的感知和具身性，这为意识型 AI 的实现提供了新的思路。

这一页讲的是反对将大语言模型（LLMs）视为有意识的观点，重点讨论其是否能拥有世界模型和自我模型。

这一页讲的是反对将大语言模型（LLMs）视为有意识的观点，重点讨论其是否能拥有世界模型（world models）和自我模型（self-models）。首先指出，大语言模型主要是对文本进行统计处理，而不是对真实世界进行建模，因此缺乏真正的理解能力。接着引用 Chalmers 的类比，将训练神经网络的过程与自然选择（natural selection）相提并论，认为这种简单且可解释的机制可能会催生出复杂的能力，例如世界模型和自我模型。虽然理论上没有理由认为 LLMs 不能具备这些模型，但目前的证据表明，它们的世界模型和自我模型仍然非常脆弱（fragile），尚未达到稳健（robust）的程度。这一讨论强调了当前技术的局限性，同时也为未来探索 LLMs 的潜力提供了启发。

这一页讲的是意识与循环处理(recurrent processing)的关系。重点包括循环神经网络与前馈神经网络的区别、循环处理与意识理论的联系，以及当前技术的局限性。

这一页讲的是循环处理(recurrent processing)在意识研究中的重要性。幻灯片指出，基于Transformer的LLMs是前馈系统(feedforward systems)，缺乏类似记忆的内部状态。而一些意识理论（例如Victor Lamme的理论）认为意识需要循环处理和学习。右侧的图展示了循环神经网络(recurrent neural network)和前馈神经网络(feed-forward neural network)的结构差异：循环网络中信息可以在节点间反复流动，而前馈网络中信息只单向流动。幻灯片还提到视觉区域中的循环交互(recurrent interactions)通过整合低级和高级特征信息，产生意识视觉感知，这些交互依赖于NMDA受体通路。此外，幻灯片提出一些反思：并非所有意识都需要循环处理；当前模型可能具有有限的循环和记忆形式；而循环型大语言模型（例如LSTM）已经存在，因此这可能只是一个技术挑战。这些讨论表明循环处理与意识的潜在联系，同时也强调了技术实现上的复杂性。

这一页讲的是反对意识型 AI 的观点，重点探讨感官输入对人类级 AI 的重要性，以及工程问题的挑战。

这一页讲的是反对意识型 AI 的观点，特别是感官输入的重要性。Yann LeCun 提出，人类级 AI 的实现需要能够从高感官输入中学习，因为大部分信息来源于此。他通过比较语言和视觉的带宽来说明问题：语言的带宽很低，每秒约 12 字节，而视觉的带宽则高得多，每秒约 20MB。这意味着视觉数据的传输效率远高于语言数据。此外，他指出，一个四岁的孩子在短短几年中接触到的视觉数据量远超目前最大的语言模型所训练的文本数据量。这说明高感官输入对于学习和理解世界至关重要。然而，Chalmers 认为，这更多是一个工程问题，只是涉及不同的感官模式。这一讨论揭示了实现人类级 AI 的复杂性，以及需要解决的技术挑战，例如如何处理和利用高带宽的视觉数据。

这一页讲的是反对 AI 意识的观点之一：全局工作空间 (Global Workspace)。主要内容包括意识理论的核心概念、全局工作空间的作用，以及 LLM 的局限性。

这一页讲的是反对 AI 意识的观点之一：全局工作空间 (Global Workspace)。根据 Bernard Baars 和 Stanislas Dehaene 提出的全局工作空间理论，意识是当一个心理状态可以被多个系统访问时的状态，包括长期记忆 (long-term memory)、运动系统 (motor systems)、评估系统 (evaluational systems)、注意系统 (attentional systems) 和感知系统 (perceptual systems)。这种意识需要一个共享的神经架构，即全局工作空间。幻灯片中的图示展示了全局工作空间如何连接不同的心理系统，例如过去的记忆、当前的感知和未来的运动计划。图中多个箭头指向中心的全局工作空间，说明它是信息整合的核心。然而，幻灯片指出，LLM（大型语言模型）并不具备这样的全局工作空间，这可能是它们无法实现意识的原因之一。不过，研究者正在尝试通过低维空间接口来扩展 LLM，这种接口可能在一定程度上模拟全局工作空间的作用。例如，将 LLM 与专门的记忆模块或注意模块结合，可以改善其信息整合能力。

这一页讲的是反对 AI 具备意识的观点之一：统一的代理性 (unified agency)。主要内容包括意识可能需要统一的自我、LLMs 的多样性以及三种可能的回应方式。

这一页讲的是反对 AI 具备意识的观点之一，即统一的代理性 (unified agency)。首先，意识可能需要一个统一的自我，但大型语言模型 (LLMs) 可以表现出多种人格、目标和信念，因此它们不像具有稳定自我感的代理人。针对这一问题，提出了三种可能的回应方式：(1) 不统一性可能与意识兼容，例如患有分离性身份障碍的人；(2) LLMs 或许可以支持多个代理人，这些代理人在不同的语境中被表达出来；(3) 或许可以开发更强的统一代理性，例如通过 agent models 来模拟个体代理人（如 Character.AI），并可能通过单一个体的数据训练 AI。这些观点探讨了 AI 是否能够通过不同的方式实现类似人类意识的统一性，同时也引发了对代理性和意识定义的进一步思考。

这一页讲的是 Chalmers 对于实现有意识 AI 的挑战总结，包括挑战的强度和是否能被克服。

这一页讲的是 Chalmers 对于有意识 AI 的六大挑战的总结。这些挑战包括生物学 (Biology)、感官/具身性 (Senses/Embodiment)、世界模型 (World-model)、全局工作空间 (Global workspace)、循环处理 (Recurrent processing) 和统一代理 (Unified agency)。表格列出了每个挑战的强度（Strength）以及它是永久性的还是可以克服的(Permanent or could be overcome)。例如，生物学被认为是“高度争议的” (Highly contentious)，且是永久性挑战，而全局工作空间、循环处理和统一代理被认为是“较强” (Strong-ish)，但这些挑战可能是暂时性的 (Temporary)。红框内的部分强调了后三项挑战的重要性。底部的文字指出，这些最强的反对意见可能构成工程上的挑战，并可能在未来十年内被克服，从而使有意识 AI 的实现概率达到约四分之一。这表明这些挑战虽然困难，但并非无法解决，尤其是技术进步可能会推动解决这些暂时性问题。

这一页讲的是对 Chalmers 关于 AI 意识的观点的反思。主要内容包括 Chalmers 预测 AI 在十年内实现意识的概率为 1/4，以及不同观点对这一预测的质疑。

这一页讲的是对 Chalmers 关于 AI 意识的观点的反思。Chalmers 认为在未来十年内，AI 实现意识的概率约为 1/4，这是一种乐观的估计。然而，他也承认这种预测是基于“随意估算”（finger-in-the-air calculations）。他强调通过改进软件架构来更好地模拟人类认知处理可能是实现 AI 意识的关键，但 AI 的本质仍然是基于计算机硬件处理比特和字节。幻灯片还提到，如果像哲学家 Searle 一样认为生物学上的障碍是计算机实现意识的真正阻碍，那么对 AI 实现意识的概率评价会远低于 Chalmers 的预测，甚至可能认为概率为零。这一讨论的重要性在于，它揭示了关于 AI 意识的不同哲学观点及其对技术发展的影响。

这一页讲的是奥克兰大学的视觉标识和文化元素。页面展示了大学标志和奥克兰城市景观。

这一页讲的是奥克兰大学（University of Auckland）的视觉标识和新西兰文化元素。幻灯片左上角是大学的标志，包含校名和毛利语名称“Waipapa Taumata Rau”，体现了大学对本地文化的尊重和融合。背景图展示了奥克兰市的城市景观，包括著名的天空塔（Sky Tower），代表了奥克兰的现代化和标志性建筑。右侧的雕刻图案可能是毛利文化的传统艺术，象征着新西兰的本土文化与历史。这种设计融合了现代城市与传统文化，突出了奥克兰大学作为新西兰顶尖学府的独特定位，同时也传递了大学的国际化与文化多样性。