ဤစာသားသည် သိပ္ပံနည်းကျ သုတေသနပြုခြင်း၏ ရလဒ်မဟုတ်သော်လည်း ကျွန်ုပ်တို့၏ လတ်တလော နည်းပညာဖွံ့ဖြိုးတိုးတက်မှုနှင့် ပတ်သက်၍ ထင်မြင်ချက်များစွာထဲမှ တစ်ခုဖြစ်သည်။ တစ်ချိန်တည်းတွင် ဆွေးနွေးရန် ဖိတ်ခေါ်ပါသည်။
New York University မှ ပါမောက္ခ Gary Marcus က နက်နဲသောသင်ယူမှုသည် AI ဖွံ့ဖြိုးတိုးတက်ရေးတွင် အရေးကြီးသောအခန်းကဏ္ဍမှ ပါဝင်သည်ဟု ယုံကြည်သည်။ ဒါပေမယ့် ဒီနည်းပညာအတွက် အလွန်အကျွံ စိတ်အားထက်သန်မှုက သူ့ရဲ့ ဂုဏ်သိက္ခာကို ထိခိုက်စေနိုင်တယ်လို့လည်း သူက ယုံကြည်ပါတယ်။
သူ့စာအုပ်ထဲမှာ AI ကို ပြန်လည်စတင်ခြင်း- ကျွန်ုပ်တို့ယုံကြည်နိုင်သော ဉာဏ်ရည်တုကို တည်ဆောက်ခြင်း။ နောက်ဆုံးပေါ် AI သုတေသနတွင် အသက်မွေးဝမ်းကျောင်းပြုလေ့ကျင့်မှုဖြင့် အာရုံကြောဆိုင်ရာ သိပ္ပံပညာရှင် Marcus သည် နည်းပညာနှင့် ကျင့်ဝတ်ဆိုင်ရာ ကဏ္ဍများကို ကိုင်တွယ်ဖြေရှင်းသည်။ နည်းပညာရှုထောင့်မှနေ၍ နက်ရှိုင်းစွာသင်ယူခြင်းသည် ကျွန်ုပ်တို့၏ဦးနှောက်လုပ်ဆောင်သည့် အာရုံခံလုပ်ဆောင်မှုများကို ရုပ်ပုံ သို့မဟုတ် စကားပြောမှတ်သားခြင်းကဲ့သို့ အောင်မြင်စွာ တုပနိုင်သည်။ သို့သော် စကားပြောဆိုမှုများကို နားလည်ခြင်း သို့မဟုတ် အကျိုးသက်ရောက်မှု ဆက်ဆံရေးများကို ဆုံးဖြတ်ခြင်းကဲ့သို့သော အခြားအလုပ်များအတွက်၊ နက်နဲသောသင်ယူမှုသည် မသင့်လျော်ပါ။ ပိုမိုကျယ်ပြန့်သောပြဿနာများကိုဖြေရှင်းနိုင်သည့်—ယေဘူယျဉာဏ်ရည်တုဟုခေါ်သော-ပိုမိုအဆင့်မြင့်သောအသိဉာဏ်ရှိသောစက်များကိုဖန်တီးရန်၊ နက်နဲသောသင်ယူမှုကိုအခြားနည်းပညာများနှင့်ပေါင်းစပ်ရန်လိုအပ်သည်။
AI စနစ်တစ်ခုသည် ၎င်း၏လုပ်ငန်းဆောင်တာများကို အမှန်တကယ်နားမလည်ပါက၊ ၎င်းသည် အန္တရာယ်ရှိသော အကျိုးဆက်များကို ဖြစ်ပေါ်စေနိုင်သည်။ စနစ်၏ ပတ်ဝန်းကျင်တွင် အနည်းငယ်မျှသော မမျှော်လင့်ထားသော ပြောင်းလဲမှုများကပင် မှားယွင်းသော အပြုအမူများဆီသို့ ဦးတည်သွားနိုင်သည်။ လှည့်ဖြားရလွယ်ကူသော မသင့်လျော်သောအသုံးအနှုန်းများကို သတ်မှတ်ချက်များ၊ တသမတ်တည်း ခွဲခြားထားသော အလုပ်ရှာဖွေရေးစနစ်များ၊ မောင်းသူမဲ့ကားများ တိုက်မိပြီး တစ်ခါတစ်ရံ ယာဉ်မောင်း သို့မဟုတ် လမ်းသွားလမ်းလာများကို သတ်ပစ်သည်။ အထွေထွေဉာဏ်ရည်တုဖန်တီးခြင်းသည် စိတ်ဝင်စားစရာကောင်းသော သုတေသနပြဿနာတစ်ခုမျှသာမဟုတ်၊ ၎င်းတွင် လုံးဝလက်တွေ့အသုံးချမှုများစွာရှိသည်။
သူတို့၏စာအုပ်တွင် Marcus နှင့် သူ၏တွဲဖက်စာရေးဆရာ Ernest Davis တို့သည် မတူညီသောလမ်းကြောင်းအတွက် ငြင်းခုံကြသည်။ ကျွန်ုပ်တို့သည် အထွေထွေ AI ကို ဖန်တီးရန် အလှမ်းဝေးနေသေးသည်ဟု ယုံကြည်ကြသော်လည်း မကြာမီ သို့မဟုတ် နောက်ပိုင်းတွင် ၎င်းကို ဖန်တီးနိုင်လိမ့်မည်ဟု ယုံကြည်ကြသည်။
ယေဘုယျ AI ကို ဘာကြောင့် လိုအပ်တာလဲ။ အထူးပြုဗားရှင်းများကို ဖန်တီးထားပြီး အကျိုးကျေးဇူးများစွာ ရရှိစေပါသည်။
မှန်ပါတယ်၊ ဒီထက်ပိုပြီး အကျိုးရှိမှာပါ။ ဒါပေမယ့် အထူးပြု AI က ရိုးရိုးရှင်းရှင်း မဖြေရှင်းနိုင်တဲ့ ပြဿနာများစွာရှိပါတယ်။ ဥပမာအားဖြင့်၊ သာမာန်စကားပြောနားလည်ခြင်း သို့မဟုတ် virtual world ရှိ ယေဘူယျအကူအညီ သို့မဟုတ် သန့်ရှင်းရေးနှင့် ချက်ပြုတ်ရာတွင် ကူညီပေးသော စက်ရုပ်။ ထိုသို့သောအလုပ်များသည် အထူးပြု AI ၏စွမ်းရည်ထက် ကျော်လွန်ပါသည်။ နောက်ထပ် စိတ်ဝင်စားစရာကောင်းတဲ့ လက်တွေ့ကျတဲ့မေးခွန်းကတော့ အထူးပြု AI ကို အသုံးပြုပြီး ဘေးကင်းလုံခြုံတဲ့ ကိုယ်တိုင်မောင်းနှင်တဲ့ကားကို ဖန်တီးနိုင်ပါသလား။ အတွေ့အကြုံအရ အဆိုပါ AI သည် ပုံမှန်မဟုတ်သော အခြေအနေများတွင် မောင်းနှင်နေချိန်၌ပင် အပြုအမူဆိုင်ရာ ပြဿနာများစွာရှိနေဆဲဖြစ်ကြောင်း အတွေ့အကြုံက ပြသပြီး အခြေအနေအား များစွာရှုပ်ထွေးစေပါသည်။
ဆေးပညာမှာ ကြီးမားတဲ့ ရှာဖွေတွေ့ရှိမှုအသစ်တွေကို ဖန်တီးပေးနိုင်တဲ့ AI ကို ကျွန်တော်တို့အားလုံး လိုချင်ကြမယ်လို့ ထင်ပါတယ်။ ဇီဝဗေဒသည် ရှုပ်ထွေးသောနယ်ပယ်ဖြစ်သောကြောင့် လက်ရှိနည်းပညာများသည် ယင်းအတွက် သင့်လျော်မှုရှိမရှိ မရှင်းလင်းပါ။ စာအုပ်တွေ အများကြီးဖတ်ဖို့ ပြင်ဆင်ထားရမယ်။ သိပ္ပံပညာရှင်များသည် ကွန်ရက်များနှင့် မော်လီကျူးများ အပြန်အလှန် ဆက်သွယ်မှုတွင် အကြောင်းရင်းနှင့် အကျိုးသက်ရောက်မှု ဆက်ဆံရေးကို နားလည်ကြပြီး ဂြိုလ်များအကြောင်း သီအိုရီများ တီထွင်နိုင်သည် အစရှိသည်တို့ကို လုပ်ဆောင်နိုင်သည်။ သို့သော်လည်း အထူးပြု AI ဖြင့် ကျွန်ုပ်တို့သည် ထိုသို့ရှာဖွေတွေ့ရှိနိုင်သည့် စက်များကို မဖန်တီးနိုင်ပါ။ အထွေထွေ AI ဖြင့် ကျွန်ုပ်တို့သည် သိပ္ပံ၊ နည်းပညာနှင့် ဆေးပညာကို တော်လှန်နိုင်သည်။ ကျွန်တော့်အမြင်အရတော့ အထွေထွေ AI ကို ဖန်တီးဖို့ ဆက်လက်လုပ်ဆောင်နေဖို့က အရမ်းအရေးကြီးပါတယ်။
"ယေဘူယျ" လို့ထင်ရသလို မင်းက အားကောင်းတဲ့ AI ကိုဆိုလိုတာလား။
"ယေဘူယျ" အားဖြင့် AI သည် ပြဿနာအသစ်များကို လျင်မြန်စွာ တွေးခေါ်နိုင်ပြီး ဖြေရှင်းနိုင်မည်ဟု ဆိုလိုပါသည်။ မတူတာက 2000 နှစ်တွေတုန်းက ပြဿနာက မပြောင်းလဲသွားဘူး လို့ပြောလိုက်ပါ။
အထွေထွေ AI သည် နိုင်ငံရေးနှင့် ဆေးပညာနှစ်ခုစလုံးတွင် ဆုံးဖြတ်ချက်များချနိုင်သင့်သည်။ ၎င်းသည် လူသားစွမ်းရည်နှင့် တူညီသည်။ ဥာဏ်ကောင်းသူတိုင်း အများကြီးလုပ်နိုင်ပါတယ်။ သင်သည် အတွေ့အကြုံမရှိသော ကျောင်းသားများကို ခေါ်ဆောင်ပြီး ရက်အနည်းငယ်အတွင်း ၎င်းတို့ကို ဥပဒေပြဿနာမှ ဆေးဘက်ဆိုင်ရာ ပြဿနာအထိ မည်သည့်အရာမဆို လုပ်ဆောင်ပေးမည်ဖြစ်သည်။ အဘယ်ကြောင့်ဆိုသော် ၎င်းတို့သည် ကမ္ဘာကြီးကို ယေဘူယျနားလည်ပြီး စာဖတ်နိုင်သောကြောင့် လှုပ်ရှားမှုများစွာကို အထောက်အကူပြုနိုင်သောကြောင့်ဖြစ်သည်။
ထိုကဲ့သို့သော ဉာဏ်ရည်ဉာဏ်သွေးနှင့် ခိုင်မာသောဉာဏ်ရည်အကြား ဆက်နွယ်မှုသည် သန်မာသောဉာဏ်ရည်မဟုတ်သော အထွေထွေပြဿနာများကို ဖြေရှင်းနိုင်စွမ်းရှိမည်မဟုတ်ပေ။ အမြဲတမ်းပြောင်းလဲနေသောကမ္ဘာကိုကိုင်တွယ်ဖြေရှင်းရန်လုံလောက်သောခိုင်မာသည့်အရာတစ်ခုကိုဖန်တီးရန်၊ သင်သည်အနည်းဆုံးယေဘူယျဉာဏ်ရည်ကိုချဉ်းကပ်ရန်လိုပေမည်။
ယခုမူကား ဤအရာနှင့် အလွန်ဝေးကွာနေပေပြီ။ AlphaGo သည် 19x19 ဘုတ်ပေါ်တွင် ကောင်းစွာကစားနိုင်သော်လည်း စတုဂံဘုတ်ပေါ်တွင် ကစားရန် ၎င်းအား ပြန်လည်လေ့ကျင့်ရန် လိုအပ်သည်။ သို့မဟုတ် ပျမ်းမျှ နက်နဲသော သင်ယူမှုစနစ်ကို ယူပါ- အလင်းရောင်ကောင်းစွာရပြီး ၎င်း၏အသားအရည်ကို မြင်နိုင်လျှင် ဆင်တစ်ကောင်ကို မှတ်မိနိုင်သည်။ ဆင်တစ်ကောင်၏ ပုံသဏ္ဌန်ကိုသာ မြင်နိုင်လျှင် စနစ်သည် ၎င်းကို မှတ်မိနိုင်မည်မဟုတ်ပေ။
သင့်စာအုပ်တွင်၊ နက်နဲသောသင်ယူမှုသည် ယေဘူယျ AI ၏စွမ်းရည်များကို မရရှိနိုင်ကြောင်း နက်ရှိုင်းစွာနားလည်နိုင်စွမ်းမရှိသောကြောင့် သင်ဖော်ပြထားသည်။
သိမြင်မှုဆိုင်ရာ ပညာရပ်တွင် အမျိုးမျိုးသော သိမြင်မှုပုံစံများ ဖွဲ့စည်းခြင်းအကြောင်း ပြောဆိုကြသည်။ ကျွန်တော် ဟိုတယ်ခန်းထဲမှာ ထိုင်နေပြီး ဗီရိုတစ်ခု၊ ကုတင်တစ်လုံး၊ တီဗီတစ်ခု ထူးထူးခြားခြား ချိတ်ဆွဲထားတယ်ဆိုတာ နားလည်ပါတယ်။ ဒီအရာတွေအားလုံးကို ငါသိတယ်၊ အဲဒါတွေကို ဖော်ထုတ်ရုံတင်မဟုတ်ဘူး။ တစ်ယောက်နဲ့တစ်ယောက် ဘယ်လိုဆက်နွှယ်နေတယ်ဆိုတာကိုလည်း နားလည်ပါတယ်။ ငါ့ပတ်ဝန်းကျင်က ကမ္ဘာကြီးရဲ့ လည်ပတ်မှုနဲ့ ပတ်သက်ပြီး အကြံဥာဏ်တွေ ရှိတယ်။ သူတို့က မပြည့်စုံဘူး။ မှားကောင်းမှားနိုင်ပေမယ့် တော်တော်ကောင်းပါတယ်။ ၎င်းတို့အပေါ် အခြေခံ၍ ကျွန်ုပ်၏နေ့စဉ်လုပ်ဆောင်မှုများအတွက် လမ်းညွှန်ချက်များဖြစ်လာသည့် ကောက်ချက်များစွာကို ကျွန်ုပ်ချမှတ်ခဲ့ပါသည်။
အခြားလွန်ကဲမှုမှာ DeepMind မှတည်ဆောက်ထားသော Atari ဂိမ်းစနစ်ကဲ့သို့ဖြစ်ပြီး၊ ၎င်းသည် စခရင်ပေါ်ရှိ အချို့နေရာများတွင် pixels များကိုမြင်ရသောအခါတွင် လုပ်ဆောင်ရန်လိုအပ်သည့်အရာများကို မှတ်မိစေသည်။ ဒေတာအလုံအလောက်ရရင် နားလည်မှုရှိတယ်လို့ ထင်ကောင်းထင်နိုင်ပေမယ့် လက်တွေ့မှာတော့ ဒါဟာ အလွန်အပေါ်ယံပါပဲ။ သက်သေပြချက်မှာ သင်သည် အရာဝတ္တုများကို ပစ်ဇယ် ၃ ခုဖြင့် ရွှေ့ပါက AI သည် များစွာပို၍ ဆိုးရွားလာကြောင်း သက်သေပြပါသည်။ အပြောင်းအလဲတွေက သူ့ကို စိတ်ရှုပ်စေတယ်။ ဒါဟာ လေးနက်တဲ့ နားလည်မှုရဲ့ ဆန့်ကျင်ဘက်ပါပဲ။
ဤပြဿနာကိုဖြေရှင်းရန် သင်သည် classical AI သို့ပြန်သွားရန် အဆိုပြုသည်။ ဘယ်လိုအားသာချက်တွေသုံးရမလဲ။
အားသာချက်များစွာရှိပါသည်။
ပထမအချက်၊ ဂန္တဝင် AI သည် အမှန်တကယ်ပင် ကောက်ချက်ဆွဲနိုင်သည့်အပေါ် အခြေခံ၍ ကမ္ဘာ၏ သိမြင်မှုပုံစံများကို ဖန်တီးရန်အတွက် မူဘောင်တစ်ခုဖြစ်သည်။
ဒုတိယအနေနှင့်၊ classical AI သည် စည်းမျဉ်းများနှင့် လုံးဝလိုက်ဖက်ပါသည်။ ကျွမ်းကျင်သူများသည် စည်းမျဉ်းများကို ရှောင်ရှားရန် ကြိုးစားနေသည့် ယခု နက်နဲသောသင်ယူမှုတွင် ထူးဆန်းသောလမ်းကြောင်းတစ်ခု ရှိပါသည်။ သူတို့သည် အာရုံကြောကွန်ရက်များပေါ်တွင် အရာအားလုံးကို လုပ်ဆောင်လိုပြီး ရှေးရိုးပရိုဂရမ်ရေးဆွဲခြင်းကဲ့သို့ မည်သည့်အရာကိုမျှ မလုပ်လိုပါ။ သို့သော် ဤနည်းဖြင့် အေးအေးဆေးဆေး ဖြေရှင်းခဲ့သော ပြဿနာများ ရှိနေပြီး မည်သူမျှ ဂရုမစိုက်ပေ။ ဥပမာအားဖြင့်၊ Google Maps တွင် လမ်းကြောင်းများ တည်ဆောက်ခြင်း။
တကယ်တော့ ချဉ်းကပ်မှု နှစ်ခုစလုံး လိုအပ်တယ်။ Machine Learning သည် ဒေတာများမှ သင်ယူရာတွင် ကောင်းမွန်သော်လည်း ကွန်ပျူတာပရိုဂရမ်တစ်ခုဖြစ်သည့် abstraction ကို ကိုယ်စားပြုရာတွင် အလွန်ညံ့ဖျင်းပါသည်။ Classic AI သည် abstractions များနှင့် ကောင်းမွန်စွာအလုပ်လုပ်သည်၊ သို့သော် ၎င်းကို လက်ဖြင့် လုံး၀ ပရိုဂရမ်ပြုလုပ်ရမည်ဖြစ်ပြီး ၎င်းတို့အားလုံးကို အစီအစဉ်ဆွဲရန် ကမ္ဘာပေါ်တွင် အသိပညာများစွာ ရှိပါသည်။ ချဉ်းကပ်မှုနှစ်ခုစလုံးကို ပေါင်းစပ်ရန် လိုအပ်သည်မှာ ထင်ရှားသည်။
ဤသည်မှာ လူ့စိတ်မှ ကျွန်ုပ်တို့ သင်ယူနိုင်သည့်အရာများအကြောင်း သင်ပြောဆိုသည့်အခန်းနှင့် ဆက်စပ်နေသည်။ ပထမဦးစွာ၊ ကျွန်ုပ်တို့၏အသိဥာဏ်သည် မတူညီသောနည်းလမ်းများဖြင့် အလုပ်လုပ်သော ကွဲပြားသောစနစ်များစွာပါဝင်ကြောင်း အထက်တွင်ဖော်ပြခဲ့သော အယူအဆအပေါ်အခြေခံသည့် အယူအဆနှင့်ပတ်သက်သည်။
ဒါကိုရှင်းပြဖို့ နောက်ထပ်နည်းလမ်းတစ်ခုကတော့ ကျွန်တော်တို့မှာရှိနေတဲ့ သိမြင်မှုစနစ်တစ်ခုစီက မတူညီတဲ့ပြဿနာတစ်ခုကို ဖြေရှင်းပေးတယ်လို့ ကျွန်တော်ထင်ပါတယ်။ မတူညီသောဝိသေသလက္ခဏာများရှိသည့် မတူညီသောပြဿနာများကိုဖြေရှင်းရန် AI ၏အလားတူအစိတ်အပိုင်းများကို ဒီဇိုင်းထုတ်ရပါမည်။
ယခု ကျွန်ုပ်တို့သည် တစ်ခုနှင့်တစ်ခု အလွန်ကွဲပြားသော ပြဿနာများကို ဖြေရှင်းရန်အတွက် အလုံးစုံ-တစ်ကိုယ်တည်း နည်းပညာအချို့ကို အသုံးပြုရန် ကြိုးစားနေပါသည်။ ဝါကျတစ်ခုကို နားလည်ခြင်းသည် အရာဝတ္တုတစ်ခုကို အသိအမှတ်ပြုခြင်းနှင့် လုံးဝမတူပါ။ သို့သော် လူများသည် ကိစ္စရပ်နှစ်ခုစလုံးတွင် နက်နဲသောသင်ယူမှုကို အသုံးပြုရန် ကြိုးစားနေကြသည်။ သိမြင်မှုရှုထောင့်မှကြည့်လျှင် ဤအရာများသည် အရည်အသွေးအရ ကွဲပြားသောအလုပ်များဖြစ်သည်။ နက်ရှိုင်းသောသင်ယူမှုအသိုက်အဝန်းတွင် classical AI အတွက် ကျေးဇူးတင်လေးမြတ်မှုအနည်းငယ်သာရှိသည့်အတွက် အံ့သြမိပါသည်။ ငွေကျည်ဆံ ပေါ်လာဖို့ ဘာကြောင့် စောင့်နေရတာလဲ ။ ၎င်းသည် မရနိုင်ပါ၊ အသီးမသီးသောရှာဖွေမှုများသည် AI ဖန်တီးခြင်းလုပ်ငန်း၏ ရှုပ်ထွေးနက်နဲမှုကို နားလည်နိုင်မည်မဟုတ်ပေ။
အကြောင်းတရားနှင့် အကျိုးသက်ရောက်မှု ဆက်ဆံရေးများကို နားလည်ရန် AI စနစ်များ လိုအပ်ကြောင်းလည်း သင်ဖော်ပြထားသည်။ နက်နဲသောသင်ယူမှု၊ ဂန္တဝင် AI သို့မဟုတ် လုံးဝအသစ်သောအရာတစ်ခုခုက ကျွန်ုပ်တို့ကို ကူညီပေးလိမ့်မည်ဟု သင်ထင်ပါသလား။
ဤသည်မှာ နက်ရှိုင်းစွာ သင်ယူရန် ကောင်းစွာ မသင့်လျော်သော အခြားနယ်ပယ်တစ်ခုဖြစ်သည်။ ၎င်းသည် အချို့သောဖြစ်ရပ်များ၏ အကြောင်းရင်းများကို ရှင်းပြမထားသော်လည်း သတ်မှတ်အခြေအနေအောက်တွင် ဖြစ်ရပ်တစ်ခု၏ ဖြစ်နိုင်ခြေကို တွက်ချက်သည်။
ငါတို့ဘာတွေပြောနေတာလဲ။ သင်သည် အချို့သော အဖြစ်အပျက်များကို ကြည့်ရှုပြီး အဘယ်ကြောင့် ဤသို့ဖြစ်ရသည်နှင့် အချို့သော အခြေအနေများ ပြောင်းလဲပါက ဘာဖြစ်နိုင်သည်ကို နားလည်ပါသည်။ တီဗွီထိုင်နေတဲ့ မတ်တတ်ရပ်ကို ကြည့်ပြီး ခြေထောက်တစ်ဖက်ကို ဖြတ်လိုက်ရင် မတ်တပ်ရပ်ပြီး တီဗီပြုတ်ကျမှာကို တွေးကြည့်နိုင်ပါတယ်။ ဒါက အကြောင်းတရားနဲ့ အကျိုးဆက် ဆက်စပ်မှုပါ။
Classic AI သည် ဤအရာအတွက် ကိရိယာအချို့ကို ကျွန်ုပ်တို့အား ပေးပါသည်။ ဥပမာ၊ ပံ့ပိုးမှုဆိုတာ ဘာလဲ၊ ပြုတ်ကျခြင်းဆိုတာ ဘာလဲဆိုတာကို သူတွေးကြည့်နိုင်ပါတယ်။ ဒါပေမယ့် ငါချီးကျူးမှာမဟုတ်ဘူး။ ပြဿနာမှာ ဂန္တဝင် AI သည် ဖြစ်ပျက်နေသည့် အချက်အလက်အပြည့်အစုံပေါ်တွင် များစွာမူတည်နေပြီး ရပ်တည်ချက်ကို ကြည့်ရုံဖြင့် နိဂုံးချုပ်သွားပါသည်။ ကျွန်ုပ်အတွက် မမြင်နိုင်သော မတ်တပ်ရပ်၏ အစိတ်အပိုင်းများကို တစ်နည်းနည်းနှင့် ယေဘုယျ ပုံဖော်ကြည့်နိုင်သည်။ ဤပိုင်ဆိုင်မှုကို အကောင်အထည်ဖော်ရန် ကျွန်ုပ်တို့တွင် ကိရိယာများ မရှိသေးပါ။
လူတွေမှာ မွေးရာပါ ဗဟုသုတ ရှိတယ်လို့လည်း ပြောကြပါတယ်။ ဒါကို AI မှာ ဘယ်လိုအကောင်အထည်ဖော်နိုင်မလဲ။
မွေးစမှာ ကျွန်တော်တို့ရဲ့ ဦးနှောက်ဟာ အလွန်ကောင်းမွန်သော စနစ်တစ်ခု ဖြစ်နေပါပြီ။ မတည်မငြိမ်ဖြစ်ပြီး၊ သဘာဝတရားသည် ပထမ၊ ကြမ်းတမ်းသောမူကြမ်းကို ဖန်တီးခဲ့သည်။ ထို့နောက် သင်ယူခြင်းသည် ကျွန်ုပ်တို့၏ဘဝတစ်လျှောက်လုံး ထိုမူကြမ်းကို ပြန်လည်ပြင်ဆင်ရန် ကူညီပေးပါသည်။
ကြမ်းတမ်းသော ဦးနှောက်သည် အချို့သော စွမ်းရည်များ ရှိနှင့်ပြီးဖြစ်သည်။ မွေးကင်းစ တောင်ဆိတ်တစ်ကောင်သည် နာရီအနည်းငယ်အတွင်း တောင်စောင်းမှ မထင်မှတ်ဘဲ ဆင်းသက်နိုင်သည်။ သူ့မှာ သုံးဖက်မြင် အာကာသ၊ သူ့ခန္ဓာကိုယ်နဲ့ သူတို့ကြားက ဆက်နွယ်မှုကို နားလည်ထားပြီးသားဆိုတာ ထင်ရှားပါတယ်။ အလွန်ရှုပ်ထွေးသောစနစ်။
ဒါက တစ်စိတ်တစ်ပိုင်းအားဖြင့် hybrid တွေလိုတယ်လို့ ကျွန်တော်ယုံကြည်ပါတယ်။ မည်သည့်နေရာတွင် စတင်ရမည်ကို အလားတူမသိဘဲ ကမ္ဘာတွင် ကောင်းမွန်စွာလုပ်ဆောင်နိုင်သော စက်ရုပ်တစ်ရုပ်ကို ဖန်တီးနိုင်ပုံမှာ စိတ်ကူးယဉ်ရန် ခက်ခဲပါသည်။
လူသားများအတွက်မူ ကျွန်ုပ်တို့၏ မွေးရာပါအသိပညာသည် အချိန်ကြာမြင့်စွာ ပြောင်းလဲတိုးတက်နေသည့် ကျွန်ုပ်တို့၏ ဂျီနိုမ်မှ လာပါသည်။ ဒါပေမယ့် AI စနစ်တွေနဲ့ ခြားနားတဲ့ လမ်းကြောင်းကို သွားရမှာ ဖြစ်ပါတယ်။ ဤအပိုင်းသည် ကျွန်ုပ်တို့၏ အယ်လဂိုရီသမ်များ တည်ဆောက်ခြင်းအတွက် စည်းမျဉ်းများဖြစ်နိုင်သည်။ ဤအရာ၏တစ်စိတ်တစ်ပိုင်းသည် ဤ algorithms က စီမံထားသော ဒေတာဖွဲ့စည်းပုံများကို ဖန်တီးခြင်းအတွက် စည်းမျဉ်းများ ဖြစ်နိုင်သည်။ ဤအရာ၏ တစ်စိတ်တစ်ပိုင်းသည် စက်များတွင် ကျွန်ုပ်တို့ တိုက်ရိုက်ရင်းနှီးမြှုပ်နှံမည့် အသိပညာ ဖြစ်နိုင်သည်။
စာအုပ်ထဲမှာ ယုံကြည်မှုနဲ့ ယုံကြည်စိတ်ချရတဲ့ စနစ်တွေကို ဖန်တီးထားတာက စိတ်ဝင်စားစရာကောင်းတယ်။ ဒီစံသတ်မှတ်ချက်ကို ဘာကြောင့် သင်ရွေးချယ်ခဲ့တာလဲ။
ဒီနေ့ ဒီပွဲက ဘောလုံးပွဲလို့ ကျွန်တော်ယုံကြည်တယ်။ ကျွန်ုပ်တို့သည် သမိုင်းတွင် ထူးဆန်းသောအခိုက်အတန့်တစ်ခုကို ဖြတ်သန်းနေရသည်ဟု ကျွန်ုပ်ထင်မြင်ရသည်မှာ ယုံကြည်စိတ်ချရသော ဆော့ဖ်ဝဲလ်များစွာကို အားကိုးနေပါသည်။ ဒီနေ့အတွက် စိုးရိမ်ပူပန်မှုတွေက ထာဝရတည်မြဲနေမှာမဟုတ်ဘူးလို့ ကျွန်တော်ထင်ပါတယ်။ အနှစ်တစ်ရာအတွင်း AI သည် ကျွန်ုပ်တို့၏ယုံကြည်မှုကို မျှတစေမည်ဖြစ်ပြီး မကြာမီတွင် ဖြစ်နိုင်မည်ဖြစ်သည်။
ဒါပေမယ့် ဒီနေ့ AI က အန္တရာယ်များပါတယ်။ Elon Musk ကြောက်ရွံ့သောသဘောဖြင့်မဟုတ်ဘဲ အလုပ်အင်တာဗျူးစနစ်များသည် ပရိုဂရမ်မာများ မည်သို့ပင်လုပ်ဆောင်သည်ဖြစ်စေ အမျိုးသမီးများအား ခွဲခြားဆက်ဆံခြင်းမှာ ၎င်းတို့၏ကိရိယာများသည် ရိုးရှင်းလွန်းသောကြောင့်ဖြစ်သည်။
ပိုကောင်းတဲ့ AI ရှိစေချင်တယ်။ AI က အလုပ်မလုပ်ဘဲ ရိုးရိုးအန္တရာယ်ရှိပြီး မပြင်ချင်ဘူးလို့ လူတွေက နားလည်ထားတဲ့ “AI ဆောင်းရာသီ” ကို မမြင်ချင်ပါဘူး။
အချို့သောနည်းလမ်းများတွင် သင့်စာအုပ်သည် အလွန်အကောင်းမြင်ပုံရသည်။ ယုံကြည်စိတ်ချရသော AI ကို တည်ဆောက်နိုင်သည်ဟု သင်ယူဆသည်။ ခြားနားတဲ့ လမ်းကြောင်းကို ကြည့်ဖို့ပဲလိုတယ်။
မှန်ပါတယ်၊ စာအုပ်ဟာ ရေတိုမှာ အလွန်အဆိုးမြင်ပြီး ရေရှည်မှာ အလွန်အကောင်းမြင်ပါတယ်။ ကျွန်ုပ်တို့ဖော်ပြခဲ့သည့် ပြဿနာအားလုံးသည် အဖြေမှန်ဖြစ်သင့်သည်များကို ပိုမိုကျယ်ပြန့်စွာကြည့်ရှုခြင်းဖြင့် ဖြေရှင်းနိုင်မည်ဟု ကျွန်ုပ်တို့ယုံကြည်ပါသည်။ ဒီလိုဖြစ်လာရင် ကမ္ဘာကြီးက ပိုကောင်းတဲ့နေရာဖြစ်လာမယ်လို့ ကျွန်တော်တို့ထင်ပါတယ်။
source: www.habr.com