ആഴത്തിലുള്ള പഠനത്തിൽ മാത്രം നിർമ്മിച്ച AI സിസ്റ്റങ്ങളെ ഞങ്ങൾക്ക് വിശ്വസിക്കാൻ കഴിയില്ല

ഈ വാചകം ശാസ്ത്രീയ ഗവേഷണത്തിൻ്റെ ഫലമല്ല, മറിച്ച് നമ്മുടെ ഉടനടി സാങ്കേതിക വികാസത്തെക്കുറിച്ചുള്ള നിരവധി അഭിപ്രായങ്ങളിൽ ഒന്നാണ്. അതേ സമയം ചർച്ചയ്ക്കുള്ള ക്ഷണവും.

ന്യൂയോർക്ക് യൂണിവേഴ്‌സിറ്റിയിലെ പ്രൊഫസറായ ഗാരി മാർക്കസ് വിശ്വസിക്കുന്നത് ആഴത്തിലുള്ള പഠനം AI-യുടെ വികസനത്തിൽ ഒരു പ്രധാന പങ്ക് വഹിക്കുന്നു എന്നാണ്. എന്നാൽ ഈ സാങ്കേതികതയോടുള്ള അമിതമായ ആവേശം അതിൻ്റെ അപകീർത്തിയിലേക്ക് നയിക്കുമെന്നും അദ്ദേഹം വിശ്വസിക്കുന്നു.

അവന്റെ പുസ്തകത്തിൽ AI റീബൂട്ട് ചെയ്യുന്നു: ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് നിർമ്മിക്കുന്നത് നമുക്ക് വിശ്വസിക്കാം അത്യാധുനിക AI ഗവേഷണത്തിൽ ഒരു കരിയർ കെട്ടിപ്പടുത്ത പരിശീലനത്തിലൂടെ ഒരു ന്യൂറോ സയൻ്റിസ്റ്റായ മാർക്കസ് സാങ്കേതികവും ധാർമ്മികവുമായ വശങ്ങളെ അഭിസംബോധന ചെയ്യുന്നു. ഒരു സാങ്കേതിക വീക്ഷണകോണിൽ, ആഴത്തിലുള്ള പഠനത്തിന് ഇമേജ് അല്ലെങ്കിൽ സ്പീച്ച് തിരിച്ചറിയൽ പോലുള്ള നമ്മുടെ മസ്തിഷ്കം ചെയ്യുന്ന പെർസെപ്ച്വൽ ജോലികൾ വിജയകരമായി അനുകരിക്കാനാകും. എന്നാൽ സംഭാഷണങ്ങൾ മനസ്സിലാക്കുക അല്ലെങ്കിൽ കാരണ-ഫല ബന്ധങ്ങൾ നിർണ്ണയിക്കുക തുടങ്ങിയ മറ്റ് ജോലികൾക്ക്, ആഴത്തിലുള്ള പഠനം അനുയോജ്യമല്ല. ആർട്ടിഫിഷ്യൽ ജനറൽ ഇൻ്റലിജൻസ് എന്ന് വിളിക്കപ്പെടുന്ന വിശാലമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ കഴിയുന്ന കൂടുതൽ വിപുലമായ ഇൻ്റലിജൻ്റ് മെഷീനുകൾ സൃഷ്ടിക്കുന്നതിന് ആഴത്തിലുള്ള പഠനം മറ്റ് സാങ്കേതിക വിദ്യകളുമായി സംയോജിപ്പിക്കേണ്ടതുണ്ട്.

ഒരു AI സിസ്റ്റം അതിൻ്റെ ചുമതലകളെയോ ചുറ്റുമുള്ള ലോകത്തെയോ ശരിക്കും മനസ്സിലാക്കുന്നില്ലെങ്കിൽ, ഇത് അപകടകരമായ പ്രത്യാഘാതങ്ങൾക്ക് ഇടയാക്കും. സിസ്റ്റത്തിൻ്റെ പരിതസ്ഥിതിയിൽ ഉണ്ടാകുന്ന ചെറിയ അപ്രതീക്ഷിത മാറ്റങ്ങൾ പോലും തെറ്റായ പെരുമാറ്റത്തിലേക്ക് നയിച്ചേക്കാം. അത്തരം നിരവധി ഉദാഹരണങ്ങൾ ഇതിനകം ഉണ്ടായിട്ടുണ്ട്: കബളിപ്പിക്കാൻ എളുപ്പമുള്ള അനുചിതമായ പദപ്രയോഗങ്ങൾ നിർണ്ണയിക്കുന്നവ; സ്ഥിരമായി വിവേചനം കാണിക്കുന്ന തൊഴിൽ തിരയൽ സംവിധാനങ്ങൾ; ഡ്രൈവറില്ലാ കാറുകൾ ഇടിച്ച് ചിലപ്പോൾ ഡ്രൈവറെയോ കാൽനടയാത്രക്കാരനെയോ കൊല്ലുന്നു. ആർട്ടിഫിഷ്യൽ ജനറൽ ഇൻ്റലിജൻസ് സൃഷ്ടിക്കുന്നത് രസകരമായ ഒരു ഗവേഷണ പ്രശ്നം മാത്രമല്ല, ഇതിന് തികച്ചും പ്രായോഗികമായ നിരവധി ആപ്ലിക്കേഷനുകളുണ്ട്.

അവരുടെ പുസ്തകത്തിൽ, മാർക്കസും അദ്ദേഹത്തിൻ്റെ സഹ-രചയിതാവ് ഏണസ്റ്റ് ഡേവിസും മറ്റൊരു വഴിക്കായി വാദിക്കുന്നു. പൊതുവായ AI സൃഷ്ടിക്കുന്നതിൽ നിന്ന് ഞങ്ങൾ ഇപ്പോഴും വളരെ അകലെയാണെന്ന് അവർ വിശ്വസിക്കുന്നു, എന്നാൽ താമസിയാതെ അല്ലെങ്കിൽ പിന്നീട് അത് സൃഷ്ടിക്കാൻ കഴിയുമെന്ന് അവർക്ക് ഉറപ്പുണ്ട്.

എന്തുകൊണ്ടാണ് നമുക്ക് പൊതുവായ AI ആവശ്യമായി വരുന്നത്? സ്പെഷ്യലൈസ്ഡ് പതിപ്പുകൾ ഇതിനകം തന്നെ സൃഷ്ടിക്കുകയും ധാരാളം ആനുകൂല്യങ്ങൾ നൽകുകയും ചെയ്തു.

അത് ശരിയാണ്, അതിലും കൂടുതൽ നേട്ടങ്ങൾ ഉണ്ടാകും. എന്നാൽ സ്പെഷ്യലൈസ്ഡ് എഐക്ക് പരിഹരിക്കാൻ കഴിയാത്ത നിരവധി പ്രശ്നങ്ങളുണ്ട്. ഉദാഹരണത്തിന്, സാധാരണ സംസാരം, അല്ലെങ്കിൽ വെർച്വൽ ലോകത്തിലെ പൊതുവായ സഹായം, അല്ലെങ്കിൽ വൃത്തിയാക്കാനും പാചകം ചെയ്യാനും സഹായിക്കുന്ന ഒരു റോബോട്ട്. അത്തരം ജോലികൾ പ്രത്യേക AI-യുടെ കഴിവുകൾക്കപ്പുറമാണ്. മറ്റൊരു രസകരമായ പ്രായോഗിക ചോദ്യം: സ്പെഷ്യലൈസ്ഡ് AI ഉപയോഗിച്ച് സുരക്ഷിതമായ സ്വയം ഡ്രൈവിംഗ് കാർ സൃഷ്ടിക്കാൻ കഴിയുമോ? അത്തരം AI-ക്ക് അസാധാരണമായ സാഹചര്യങ്ങളിൽ, ഡ്രൈവിംഗ് സമയത്ത് പോലും പെരുമാറ്റത്തിൽ നിരവധി പ്രശ്നങ്ങൾ ഉണ്ടെന്ന് അനുഭവം കാണിക്കുന്നു, ഇത് സാഹചര്യത്തെ വളരെയധികം സങ്കീർണ്ണമാക്കുന്നു.

വൈദ്യശാസ്ത്രത്തിൽ വലിയ പുതിയ കണ്ടുപിടുത്തങ്ങൾ നടത്താൻ ഞങ്ങളെ സഹായിക്കുന്ന AI ഉണ്ടായിരിക്കാൻ നാമെല്ലാവരും ആഗ്രഹിക്കുന്നുവെന്ന് ഞാൻ കരുതുന്നു. ജീവശാസ്ത്രം സങ്കീർണ്ണമായ ഒരു മേഖലയായതിനാൽ നിലവിലുള്ള സാങ്കേതികവിദ്യകൾ ഇതിന് അനുയോജ്യമാണോ എന്ന് വ്യക്തമല്ല. ധാരാളം പുസ്തകങ്ങൾ വായിക്കാൻ നിങ്ങൾ തയ്യാറായിരിക്കണം. ശാസ്‌ത്രജ്ഞർ ശൃംഖലകളുടെയും തന്മാത്രകളുടെയും പ്രതിപ്രവർത്തനത്തിലെ കാരണ-പ്രഭാവ ബന്ധങ്ങൾ മനസ്സിലാക്കുന്നു, ഗ്രഹങ്ങളെക്കുറിച്ചുള്ള സിദ്ധാന്തങ്ങൾ വികസിപ്പിക്കാനും മറ്റും കഴിയും. എന്നിരുന്നാലും, പ്രത്യേക AI ഉപയോഗിച്ച്, അത്തരം കണ്ടെത്തലുകൾക്ക് കഴിവുള്ള യന്ത്രങ്ങൾ സൃഷ്ടിക്കാൻ ഞങ്ങൾക്ക് കഴിയില്ല. പൊതുവായ AI ഉപയോഗിച്ച് നമുക്ക് ശാസ്ത്രം, സാങ്കേതികവിദ്യ, വൈദ്യം എന്നിവയിൽ വിപ്ലവം സൃഷ്ടിക്കാൻ കഴിയും. എൻ്റെ അഭിപ്രായത്തിൽ, പൊതുവായ AI സൃഷ്ടിക്കുന്നതിനായി പ്രവർത്തിക്കുന്നത് തുടരേണ്ടത് വളരെ പ്രധാനമാണ്.

"പൊതുവായത്" എന്നതുകൊണ്ട് നിങ്ങൾ ഉദ്ദേശിക്കുന്നത് ശക്തമായ AI ആണെന്ന് തോന്നുന്നു?

"പൊതുവായത്" എന്നതുകൊണ്ട് ഞാൻ അർത്ഥമാക്കുന്നത്, ഈച്ചയിൽ പുതിയ പ്രശ്‌നങ്ങളെക്കുറിച്ച് ചിന്തിക്കാനും പരിഹരിക്കാനും AI-ക്ക് കഴിയും എന്നാണ്. കഴിഞ്ഞ 2000 വർഷമായി പ്രശ്‌നം മാറിയിട്ടില്ലാത്ത ഗോ എന്നതിൽ നിന്ന് വ്യത്യസ്തമായി.

രാഷ്ട്രീയത്തിലും വൈദ്യശാസ്ത്രത്തിലും തീരുമാനങ്ങൾ എടുക്കാൻ ജനറൽ എഐക്ക് കഴിയണം. ഇത് മനുഷ്യൻ്റെ കഴിവിന് സമാനമാണ്; വിവേകമുള്ള ഏതൊരു വ്യക്തിക്കും ഒരുപാട് ചെയ്യാൻ കഴിയും. നിങ്ങൾ അനുഭവപരിചയമില്ലാത്ത വിദ്യാർത്ഥികളെ എടുക്കുക, ഏതാനും ദിവസങ്ങൾക്കുള്ളിൽ നിയമപരമായ പ്രശ്‌നം മുതൽ മെഡിക്കൽ പ്രശ്‌നം വരെയുള്ള എല്ലാ കാര്യങ്ങളിലും അവരെ ജോലി ചെയ്യിപ്പിക്കും. കാരണം, അവർക്ക് ലോകത്തെ കുറിച്ച് പൊതുവായ ധാരണയുണ്ട്, വായിക്കാൻ കഴിയും, അതിനാൽ വളരെ വിപുലമായ പ്രവർത്തനങ്ങൾക്ക് സംഭാവന നൽകാൻ കഴിയും.

അത്തരം ബുദ്ധിശക്തിയും ശക്തമായ ബുദ്ധിയും തമ്മിലുള്ള ബന്ധം, ശക്തമല്ലാത്ത ഒരു ബുദ്ധിശക്തിക്ക് പൊതുവായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ കഴിയില്ല എന്നതാണ്. മാറിക്കൊണ്ടിരിക്കുന്ന ലോകത്തെ നേരിടാൻ കഴിയുന്നത്ര ശക്തമായ എന്തെങ്കിലും സൃഷ്ടിക്കാൻ, നിങ്ങൾ പൊതു ബുദ്ധിയെ സമീപിക്കേണ്ടി വന്നേക്കാം.

എന്നാൽ ഇപ്പോൾ ഞങ്ങൾ ഇതിൽ നിന്ന് വളരെ അകലെയാണ്. ആൽഫാഗോയ്ക്ക് 19x19 ബോർഡിൽ നന്നായി കളിക്കാൻ കഴിയും, എന്നാൽ ദീർഘചതുരാകൃതിയിലുള്ള ബോർഡിൽ കളിക്കാൻ അത് വീണ്ടും പരിശീലിപ്പിക്കേണ്ടതുണ്ട്. അല്ലെങ്കിൽ ശരാശരി ആഴത്തിലുള്ള പഠന സംവിധാനം എടുക്കുക: ആനയെ നന്നായി പ്രകാശിക്കുകയും ചർമ്മത്തിൻ്റെ ഘടന ദൃശ്യമാകുകയും ചെയ്താൽ ആനയെ തിരിച്ചറിയാൻ കഴിയും. ആനയുടെ സിലൗറ്റ് മാത്രം ദൃശ്യമായാൽ, സിസ്റ്റത്തിന് അത് തിരിച്ചറിയാൻ കഴിയില്ല.

നിങ്ങളുടെ പുസ്തകത്തിൽ, ആഴത്തിലുള്ള പഠനത്തിന് പൊതുവായ AI-യുടെ കഴിവുകൾ കൈവരിക്കാൻ കഴിയില്ലെന്ന് നിങ്ങൾ പരാമർശിക്കുന്നു, കാരണം അതിന് ആഴത്തിൽ മനസ്സിലാക്കാൻ കഴിയില്ല.

കോഗ്നിറ്റീവ് സയൻസിൽ അവർ വിവിധ കോഗ്നിറ്റീവ് മോഡലുകളുടെ രൂപീകരണത്തെക്കുറിച്ച് സംസാരിക്കുന്നു. ഞാൻ ഒരു ഹോട്ടൽ മുറിയിൽ ഇരിക്കുകയാണ്, അവിടെ ഒരു ക്ലോസറ്റ് ഉണ്ടെന്നും ഒരു കിടക്കയുണ്ടെന്നും അസാധാരണമായ രീതിയിൽ തൂക്കിയിട്ടിരിക്കുന്ന ഒരു ടിവി ഉണ്ടെന്നും ഞാൻ മനസ്സിലാക്കുന്നു. ഈ വസ്തുക്കളെല്ലാം എനിക്കറിയാം, ഞാൻ അവയെ തിരിച്ചറിയുന്നില്ല. അവ എങ്ങനെ പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്നും ഞാൻ മനസ്സിലാക്കുന്നു. എനിക്ക് ചുറ്റുമുള്ള ലോകത്തിൻ്റെ പ്രവർത്തനത്തെക്കുറിച്ച് എനിക്ക് ആശയങ്ങളുണ്ട്. അവർ തികഞ്ഞവരല്ല. അവ തെറ്റായിരിക്കാം, പക്ഷേ അവ വളരെ നല്ലതാണ്. അവയെ അടിസ്ഥാനമാക്കി, എൻ്റെ ദൈനംദിന പ്രവർത്തനങ്ങൾക്കുള്ള മാർഗ്ഗനിർദ്ദേശങ്ങളായി മാറുന്ന ധാരാളം നിഗമനങ്ങൾ ഞാൻ ചെയ്യുന്നു.

സ്‌ക്രീനിൽ ചില സ്ഥലങ്ങളിൽ പിക്‌സലുകൾ കാണുമ്പോൾ എന്താണ് ചെയ്യേണ്ടതെന്ന് ഓർമ്മിക്കുന്ന ഡീപ്‌മൈൻഡ് നിർമ്മിച്ച അറ്റാരി ഗെയിം സിസ്റ്റം പോലെയാണ് മറ്റൊരു തീവ്രത. നിങ്ങൾക്ക് മതിയായ ഡാറ്റ ലഭിക്കുകയാണെങ്കിൽ, നിങ്ങൾക്ക് ഒരു ധാരണയുണ്ടെന്ന് നിങ്ങൾ കരുതിയേക്കാം, എന്നാൽ വാസ്തവത്തിൽ അത് വളരെ ഉപരിപ്ലവമാണ്. നിങ്ങൾ മൂന്ന് പിക്സലുകൾ കൊണ്ട് ഒബ്ജക്റ്റുകൾ നീക്കുകയാണെങ്കിൽ, AI വളരെ മോശമായി പ്രവർത്തിക്കുന്നു എന്നതാണ് ഇതിൻ്റെ തെളിവ്. മാറ്റങ്ങൾ അവനെ അമ്പരപ്പിക്കുന്നു. ആഴത്തിലുള്ള ധാരണയുടെ വിപരീതമാണിത്.

ഈ പ്രശ്നം പരിഹരിക്കാൻ, ക്ലാസിക്കൽ AI-യിലേക്ക് മടങ്ങാൻ നിങ്ങൾ നിർദ്ദേശിക്കുന്നു. എന്ത് ഗുണങ്ങളാണ് നാം ഉപയോഗിക്കാൻ ശ്രമിക്കേണ്ടത്?

നിരവധി ഗുണങ്ങളുണ്ട്.

ഒന്നാമതായി, ക്ലാസിക്കൽ AI യഥാർത്ഥത്തിൽ ലോകത്തിൻ്റെ വൈജ്ഞാനിക മാതൃകകൾ സൃഷ്ടിക്കുന്നതിനുള്ള ഒരു ചട്ടക്കൂടാണ്, അതിനെ അടിസ്ഥാനമാക്കി പിന്നീട് നിഗമനങ്ങളിൽ എത്തിച്ചേരാനാകും.

രണ്ടാമതായി, ക്ലാസിക്കൽ AI നിയമങ്ങളുമായി തികച്ചും പൊരുത്തപ്പെടുന്നു. വിദഗ്ധർ നിയമങ്ങൾ ഒഴിവാക്കാൻ ശ്രമിക്കുന്ന ആഴത്തിലുള്ള പഠനത്തിൽ ഇപ്പോൾ വിചിത്രമായ ഒരു പ്രവണതയുണ്ട്. ന്യൂറൽ നെറ്റ്‌വർക്കുകളിൽ എല്ലാം ചെയ്യാൻ അവർ ആഗ്രഹിക്കുന്നു, ക്ലാസിക്കൽ പ്രോഗ്രാമിംഗ് പോലെ തോന്നിക്കുന്ന ഒന്നും ചെയ്യരുത്. എന്നാൽ ഈ രീതിയിൽ ശാന്തമായി പരിഹരിച്ച പ്രശ്നങ്ങൾ ഉണ്ട്, ആരും അത് ശ്രദ്ധിച്ചില്ല. ഉദാഹരണത്തിന്, Google Maps-ൽ റൂട്ടുകൾ നിർമ്മിക്കുക.

വാസ്തവത്തിൽ, ഞങ്ങൾക്ക് രണ്ട് സമീപനങ്ങളും ആവശ്യമാണ്. ഡാറ്റയിൽ നിന്ന് പഠിക്കുന്നതിൽ മെഷീൻ ലേണിംഗ് നല്ലതാണ്, എന്നാൽ ഒരു കമ്പ്യൂട്ടർ പ്രോഗ്രാമായ അമൂർത്തതയെ പ്രതിനിധീകരിക്കുന്നതിൽ വളരെ മോശമാണ്. ക്ലാസിക് AI അമൂർത്തങ്ങളോടൊപ്പം നന്നായി പ്രവർത്തിക്കുന്നു, പക്ഷേ ഇത് പൂർണ്ണമായും കൈകൊണ്ട് പ്രോഗ്രാം ചെയ്യണം, അവയെല്ലാം പ്രോഗ്രാം ചെയ്യാൻ ലോകത്ത് വളരെയധികം അറിവുണ്ട്. വ്യക്തമായും, ഞങ്ങൾ രണ്ട് സമീപനങ്ങളും സംയോജിപ്പിക്കേണ്ടതുണ്ട്.

മനുഷ്യ മനസ്സിൽ നിന്ന് നമുക്ക് പഠിക്കാനാകുന്നതിനെക്കുറിച്ച് നിങ്ങൾ സംസാരിക്കുന്ന അധ്യായവുമായി ഇത് ബന്ധപ്പെട്ടിരിക്കുന്നു. ഒന്നാമതായി, മുകളിൽ സൂചിപ്പിച്ച ആശയത്തെ അടിസ്ഥാനമാക്കിയുള്ള ആശയത്തെക്കുറിച്ച്, നമ്മുടെ ബോധം വ്യത്യസ്ത രീതികളിൽ പ്രവർത്തിക്കുന്ന വിവിധ സംവിധാനങ്ങൾ ഉൾക്കൊള്ളുന്നു.

ഇത് വിശദീകരിക്കാനുള്ള മറ്റൊരു മാർഗ്ഗം, നമുക്കുള്ള ഓരോ കോഗ്നിറ്റീവ് സിസ്റ്റവും വ്യത്യസ്തമായ ഒരു പ്രശ്നം പരിഹരിക്കുന്നു എന്നതാണ്. വ്യത്യസ്ത സ്വഭാവസവിശേഷതകളുള്ള വ്യത്യസ്ത പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ AI-യുടെ സമാന ഭാഗങ്ങൾ രൂപകൽപ്പന ചെയ്തിരിക്കണം.

പരസ്പരം സമൂലമായി വ്യത്യസ്തമായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ ഞങ്ങൾ ഇപ്പോൾ ചില ഓൾ-ഇൻ-വൺ സാങ്കേതികവിദ്യകൾ ഉപയോഗിക്കാൻ ശ്രമിക്കുകയാണ്. ഒരു വാചകം മനസ്സിലാക്കുന്നത് ഒരു വസ്തുവിനെ തിരിച്ചറിയുന്നതിന് തുല്യമല്ല. എന്നാൽ രണ്ട് സാഹചര്യങ്ങളിലും ആളുകൾ ആഴത്തിലുള്ള പഠനം ഉപയോഗിക്കാൻ ശ്രമിക്കുന്നു. ഒരു വൈജ്ഞാനിക വീക്ഷണകോണിൽ നിന്ന്, ഇവ ഗുണപരമായി വ്യത്യസ്തമായ ജോലികളാണ്. ഡീപ് ലേണിംഗ് കമ്മ്യൂണിറ്റിയിൽ ക്ലാസിക്കൽ AI-ക്ക് എത്രമാത്രം വിലമതിപ്പില്ല എന്നത് എന്നെ അത്ഭുതപ്പെടുത്തുന്നു. ഒരു വെള്ളി ബുള്ളറ്റ് പ്രത്യക്ഷപ്പെടാൻ കാത്തിരിക്കുന്നത് എന്തുകൊണ്ട്? ഇത് അപ്രാപ്യമാണ്, കൂടാതെ നിഷ്ഫലമായ തിരയലുകൾ AI സൃഷ്ടിക്കുന്നതിനുള്ള ചുമതലയുടെ മുഴുവൻ സങ്കീർണ്ണതയും മനസ്സിലാക്കാൻ ഞങ്ങളെ അനുവദിക്കുന്നില്ല.

കാരണ-ഫല ബന്ധങ്ങൾ മനസ്സിലാക്കാൻ AI സംവിധാനങ്ങൾ ആവശ്യമാണെന്നും നിങ്ങൾ പരാമർശിക്കുന്നു. ആഴത്തിലുള്ള പഠനം, ക്ലാസിക്കൽ AI അല്ലെങ്കിൽ തികച്ചും പുതിയ എന്തെങ്കിലും ഇതിന് ഞങ്ങളെ സഹായിക്കുമെന്ന് നിങ്ങൾ കരുതുന്നുണ്ടോ?

ആഴത്തിലുള്ള പഠനം അനുയോജ്യമല്ലാത്ത മറ്റൊരു മേഖലയാണിത്. ഇത് ചില സംഭവങ്ങളുടെ കാരണങ്ങൾ വിശദീകരിക്കുന്നില്ല, എന്നാൽ തന്നിരിക്കുന്ന വ്യവസ്ഥകളിൽ ഒരു സംഭവത്തിൻ്റെ സംഭാവ്യത കണക്കാക്കുന്നു.

നമ്മൾ എന്തിനെക്കുറിച്ചാണ് സംസാരിക്കുന്നത്? നിങ്ങൾ ചില സാഹചര്യങ്ങൾ കാണുന്നു, എന്തുകൊണ്ടാണ് ഇത് സംഭവിക്കുന്നതെന്നും ചില സാഹചര്യങ്ങൾ മാറിയാൽ എന്ത് സംഭവിക്കുമെന്നും നിങ്ങൾ മനസ്സിലാക്കുന്നു. ടിവി ഇരിക്കുന്ന സ്റ്റാൻഡിലേക്ക് നോക്കി, അതിൻ്റെ ഒരു കാല് വെട്ടിമാറ്റിയാൽ സ്റ്റാൻഡ് മറിഞ്ഞ് ടിവി വീഴുമെന്ന് എനിക്ക് സങ്കൽപ്പിക്കാൻ കഴിയും. ഇതൊരു കാരണവും ഫലവുമായ ബന്ധമാണ്.

ഇതിനായി ക്ലാസിക് AI നമുക്ക് ചില ഉപകരണങ്ങൾ നൽകുന്നു. ഉദാഹരണത്തിന്, പിന്തുണ എന്താണെന്നും വീഴ്ച എന്താണെന്നും അയാൾക്ക് സങ്കൽപ്പിക്കാൻ കഴിയും. പക്ഷേ ഞാൻ അമിതമായി പ്രശംസിക്കില്ല. ക്ലാസിക്കൽ AI പ്രധാനമായും എന്താണ് സംഭവിക്കുന്നതെന്നതിനെക്കുറിച്ചുള്ള പൂർണ്ണമായ വിവരങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു എന്നതാണ് പ്രശ്നം, സ്റ്റാൻഡ് നോക്കി ഞാൻ ഒരു നിഗമനത്തിലെത്തി. എനിക്ക് എങ്ങനെയെങ്കിലും സാമാന്യവൽക്കരിക്കാനും സ്റ്റാൻഡിൻ്റെ എനിക്ക് ദൃശ്യമല്ലാത്ത ഭാഗങ്ങൾ സങ്കൽപ്പിക്കാനും കഴിയും. ഈ പ്രോപ്പർട്ടി നടപ്പിലാക്കുന്നതിനുള്ള ഉപകരണങ്ങൾ ഞങ്ങളുടെ പക്കലില്ല.

ആളുകൾക്ക് ജന്മസിദ്ധമായ അറിവുണ്ടെന്നും നിങ്ങൾ പറയുന്നു. AI-യിൽ ഇത് എങ്ങനെ നടപ്പിലാക്കാം?

ജനന സമയത്ത്, നമ്മുടെ മസ്തിഷ്കം ഇതിനകം തന്നെ വളരെ വിപുലമായ ഒരു സംവിധാനമാണ്. ഇത് സ്ഥിരമായിട്ടില്ല, പ്രകൃതി ആദ്യത്തെ, പരുക്കൻ കരട് സൃഷ്ടിച്ചു. തുടർന്ന് പഠനം നമ്മുടെ ജീവിതത്തിലുടനീളം ആ ഡ്രാഫ്റ്റ് പരിഷ്കരിക്കാൻ സഹായിക്കുന്നു.

മസ്തിഷ്കത്തിൻ്റെ ഒരു പരുക്കൻ ഡ്രാഫ്റ്റിന് ഇതിനകം ചില കഴിവുകളുണ്ട്. ഒരു നവജാത പർവത ആടിന് ഏതാനും മണിക്കൂറുകൾക്കുള്ളിൽ മലഞ്ചെരുവിൽ നിന്ന് തെറ്റില്ലാതെ ഇറങ്ങാൻ കഴിയും. ത്രിമാന സ്ഥലത്തെക്കുറിച്ചും ശരീരത്തെക്കുറിച്ചും അവ തമ്മിലുള്ള ബന്ധത്തെക്കുറിച്ചും അദ്ദേഹത്തിന് ഇതിനകം തന്നെ ധാരണയുണ്ടെന്ന് വ്യക്തമാണ്. വളരെ സങ്കീർണ്ണമായ ഒരു സംവിധാനം.

ഇതുകൊണ്ടാണ് നമുക്ക് സങ്കരയിനങ്ങൾ ആവശ്യമെന്ന് ഞാൻ വിശ്വസിക്കുന്നത്. ഒരു ശൂന്യമായ സ്ലേറ്റിൽ നിന്ന് ആരംഭിച്ച് ദൈർഘ്യമേറിയതും വിപുലമായതുമായ അനുഭവത്തിൽ നിന്ന് പഠിക്കുന്നതിനുപകരം, എവിടെ തുടങ്ങണം എന്നതിനെക്കുറിച്ച് സമാനമായ അറിവില്ലാത്ത ഒരു ലോകത്ത് നന്നായി പ്രവർത്തിക്കുന്ന ഒരു റോബോട്ടിനെ എങ്ങനെ സൃഷ്ടിക്കുമെന്ന് സങ്കൽപ്പിക്കാൻ പ്രയാസമാണ്.

മനുഷ്യരെ സംബന്ധിച്ചിടത്തോളം, നമ്മുടെ സഹജമായ അറിവ് വളരെക്കാലമായി പരിണമിച്ച നമ്മുടെ ജീനോമിൽ നിന്നാണ്. എന്നാൽ AI സംവിധാനങ്ങളിൽ നമുക്ക് മറ്റൊരു വഴിക്ക് പോകേണ്ടി വരും. നമ്മുടെ അൽഗോരിതങ്ങൾ നിർമ്മിക്കുന്നതിനുള്ള നിയമങ്ങൾ ഇതിൻ്റെ ഭാഗമായിരിക്കാം. ഈ അൽഗോരിതങ്ങൾ കൈകാര്യം ചെയ്യുന്ന ഡാറ്റാ ഘടനകൾ സൃഷ്ടിക്കുന്നതിനുള്ള നിയമങ്ങൾ ഇതിൻ്റെ ഭാഗമായിരിക്കാം. ഞങ്ങൾ നേരിട്ട് മെഷീനുകളിൽ നിക്ഷേപിക്കുമെന്ന അറിവും ഇതിൻ്റെ ഭാഗമായിരിക്കാം.

പുസ്തകത്തിൽ നിങ്ങൾ വിശ്വാസത്തെക്കുറിച്ചുള്ള ആശയവും വിശ്വസനീയമായ സംവിധാനങ്ങളുടെ സൃഷ്ടിയും കൊണ്ടുവരുന്നത് രസകരമാണ്. എന്തുകൊണ്ടാണ് നിങ്ങൾ ഈ പ്രത്യേക മാനദണ്ഡം തിരഞ്ഞെടുത്തത്?

ഇന്ന് ഇതെല്ലാം ഒരു പന്ത് കളിയാണെന്ന് ഞാൻ വിശ്വസിക്കുന്നു. വിശ്വാസയോഗ്യമല്ലാത്ത ഒട്ടനവധി സോഫ്‌റ്റ്‌വെയറുകളെ വിശ്വസിച്ച് നമ്മൾ ചരിത്രത്തിലെ വിചിത്രമായ ഒരു നിമിഷത്തിലൂടെയാണ് ജീവിക്കുന്നതെന്ന് എനിക്ക് തോന്നുന്നു. ഇന്ന് നമുക്കുള്ള ആശങ്കകൾ എന്നെന്നേക്കുമായി നിലനിൽക്കില്ലെന്ന് ഞാൻ കരുതുന്നു. നൂറു വർഷത്തിനുള്ളിൽ, AI നമ്മുടെ വിശ്വാസത്തെ ന്യായീകരിക്കും, ഒരുപക്ഷേ നേരത്തെയും.

എന്നാൽ ഇന്ന് AI അപകടകരമാണ്. എലോൺ മസ്‌ക് ഭയപ്പെടുന്നു എന്ന അർത്ഥത്തിലല്ല, മറിച്ച്, പ്രോഗ്രാമർമാർ എന്ത് ചെയ്താലും, ജോലി അഭിമുഖ സംവിധാനങ്ങൾ സ്ത്രീകളോട് വിവേചനം കാണിക്കുന്നു, കാരണം അവരുടെ ഉപകരണങ്ങൾ വളരെ ലളിതമാണ്.

ഞങ്ങൾക്ക് മികച്ച AI ഉണ്ടായിരുന്നെങ്കിൽ എന്ന് ഞാൻ ആഗ്രഹിക്കുന്നു. AI പ്രവർത്തിക്കില്ലെന്നും അത് കേവലം അപകടകരമാണെന്നും അത് പരിഹരിക്കാൻ ആഗ്രഹിക്കുന്നില്ലെന്നും ആളുകൾ മനസ്സിലാക്കുന്ന ഒരു "AI ശൈത്യകാലം" കാണാൻ ഞാൻ ആഗ്രഹിക്കുന്നില്ല.

ചില വിധങ്ങളിൽ, നിങ്ങളുടെ പുസ്തകം വളരെ ശുഭാപ്തിവിശ്വാസമുള്ളതായി തോന്നുന്നു. വിശ്വസനീയമായ AI നിർമ്മിക്കാൻ കഴിയുമെന്ന് നിങ്ങൾ കരുതുന്നു. നമ്മൾ മറ്റൊരു ദിശയിലേക്ക് നോക്കേണ്ടതുണ്ട്.

അത് ശരിയാണ്, പുസ്തകം ഹ്രസ്വകാലത്തേക്ക് വളരെ അശുഭാപ്തിവിശ്വാസവും ദീർഘകാലാടിസ്ഥാനത്തിൽ വളരെ ശുഭാപ്തിവിശ്വാസവുമാണ്. ഞങ്ങൾ വിവരിച്ച എല്ലാ പ്രശ്നങ്ങളും ശരിയായ ഉത്തരങ്ങൾ എന്തായിരിക്കണമെന്ന് വിശാലമായ വീക്ഷണത്തിലൂടെ പരിഹരിക്കാൻ കഴിയുമെന്ന് ഞങ്ങൾ വിശ്വസിക്കുന്നു. ഇത് സംഭവിക്കുകയാണെങ്കിൽ, ലോകം മികച്ച സ്ഥലമാകുമെന്ന് ഞങ്ങൾ കരുതുന്നു.

അവലംബം: www.habr.com