پیوند آگاهی: چرا مکانیک کوانتومی ذهن شما را تبیین نمیکند؟
با ورود به سال ۲۰۲۶، ما شاهد همگرایی بیسابقهای بین هوش مصنوعی و علوم اعصاب هستیم. اما علیرغم پیشرفتهای عظیم در محاسبات کوانتومی تجاری، یک ایده قدیمی همچنان در محافل عمومی و حتی برخی تالارهای علمی خودنمایی میکند: اینکه «آگاهی» محصولی از اثرات مکانیک کوانتومی است. در این مقاله از دیدگاه یک متخصص تکنولوژی، بررسی میکنیم که چرا این فرضیه با واقعیتهای مهندسی و بیولوژیکی امروز همخوانی ندارد.
مسئله ناهمدوسی: مغز بیش از حد «گرم و مرطوب» است
بزرگترین چالش در ساخت کامپیوترهای کوانتومی امروزی، حفظ حالت «همدوسی» (Coherence) است. ذرات کوانتومی برای حفظ ویژگیهای خود به دمای نزدیک به صفر مطلق و ایزولاسیون کامل از محیط نیاز دارند. در مقابل، مغز انسان یک محیط بیولوژیکی گرم، مرطوب و پر از نویز الکتروشیمیایی است.
- ناهمدوسی سریع: محاسبات ریاضی نشان میدهند که هرگونه حالت کوانتومی در محیط مغز، در کسری از فمتوثانیه از بین میرود (فرآیند Decoherence).
- مقیاس عملکرد: فرآیندهای فکری ما در مقیاس میلیثانیه رخ میدهند، که تریلیونها بار کندتر از فرآیندهای کوانتومی زیراتمی است.
سوءتفاهم در مورد «ناظر»
یکی از ریشههای اصلی این باور غلط، تفسیر اشتباه از نقش ناظر در مکانیک کوانتوم است. در فیزیک، «مشاهده» به معنای حضور یک موجود آگاه نیست، بلکه به معنای هرگونه تعامل فیزیکی است که اطلاعات را از سیستم خارج کند. بسیاری از نظریهپردازان شبهعلم با استفاده از این ابهام واژگانی، سعی دارند ذهن را به شکلی جادویی به فروپاشی تابع موج مرتبط کنند، در حالی که در سال ۲۰۲۶، مدلهای محاسباتی ما نشان میدهند که سیستمهای کلاسیک پیچیده نیز میتوانند رفتارهای مشابهی از خود نشان دهند بدون اینکه نیاز به قوانین کوانتومی داشته باشند.
آگاهی به عنوان یک ویژگی نوظهور
نگاهی به پیشرفتهترین تراشههای نورومورفیک امروزی نشان میدهد که آگاهی احتمالاً یک ویژگی «نوظهور» (Emergent Property) از شبکههای عصبی بسیار پیچیده است، نه یک پدیده کوانتومی بنیادی. همانطور که ویژگی «روان بودن» آب در تکتک مولکولهای H2O وجود ندارد و محصول پیوند آنهاست، آگاهی نیز محصول سازماندهی سلسلهمراتبی دادهها در کورتکس مغز است.
نتیجهگیری
اگرچه مکانیک کوانتومی بدون شک بستر سازنده کل جهان مادی است، اما استفاده از آن برای توضیح آگاهی مانند این است که بخواهیم ترافیک شهری را با بررسی برخورد اتمها در موتور خودروها توضیح دهیم. در سال ۲۰۲۶، ما باید یاد بگیریم که به جای جستجوی پاسخ در معماهای فیزیک نوین، پیچیدگی را در سطح معماری بیولوژیکی و الگوریتمهای یادگیری ماشین جستجو کنیم.
