ਅਸੀਂ ਇਕੱਲੇ ਡੀਪ ਲਰਨਿੰਗ 'ਤੇ ਬਣੇ AI ਸਿਸਟਮਾਂ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕਰ ਸਕਦੇ

ਇਹ ਪਾਠ ਵਿਗਿਆਨਕ ਖੋਜ ਦਾ ਨਤੀਜਾ ਨਹੀਂ ਹੈ, ਪਰ ਸਾਡੇ ਤਤਕਾਲੀ ਤਕਨੀਕੀ ਵਿਕਾਸ ਦੇ ਸੰਬੰਧ ਵਿੱਚ ਬਹੁਤ ਸਾਰੇ ਵਿਚਾਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ। ਅਤੇ ਉਸੇ ਸਮੇਂ ਚਰਚਾ ਲਈ ਸੱਦਾ.

ਨਿਊਯਾਰਕ ਯੂਨੀਵਰਸਿਟੀ ਦੇ ਪ੍ਰੋਫ਼ੈਸਰ ਗੈਰੀ ਮਾਰਕਸ ਦਾ ਮੰਨਣਾ ਹੈ ਕਿ AI ਦੇ ਵਿਕਾਸ ਵਿੱਚ ਡੂੰਘੀ ਸਿਖਲਾਈ ਮਹੱਤਵਪੂਰਨ ਭੂਮਿਕਾ ਨਿਭਾਉਂਦੀ ਹੈ। ਪਰ ਉਹ ਇਹ ਵੀ ਮੰਨਦਾ ਹੈ ਕਿ ਇਸ ਤਕਨੀਕ ਲਈ ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਤਸ਼ਾਹ ਇਸਦੀ ਬਦਨਾਮੀ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ.

ਉਸਦੀ ਕਿਤਾਬ ਵਿੱਚ AI ਰੀਬੂਟ ਕਰਨਾ: ਨਕਲੀ ਬੁੱਧੀ ਬਣਾਉਣਾ ਜਿਸ 'ਤੇ ਅਸੀਂ ਭਰੋਸਾ ਕਰ ਸਕਦੇ ਹਾਂ ਮਾਰਕਸ, ਸਿਖਲਾਈ ਦੁਆਰਾ ਇੱਕ ਤੰਤੂ-ਵਿਗਿਆਨਕ, ਜਿਸ ਨੇ ਅਤਿ-ਆਧੁਨਿਕ AI ਖੋਜ 'ਤੇ ਆਪਣਾ ਕਰੀਅਰ ਬਣਾਇਆ ਹੈ, ਤਕਨੀਕੀ ਅਤੇ ਨੈਤਿਕ ਪਹਿਲੂਆਂ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ। ਤਕਨਾਲੋਜੀ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਸਾਡੇ ਦਿਮਾਗ ਦੁਆਰਾ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਅਨੁਭਵੀ ਕੰਮਾਂ ਦੀ ਸਫਲਤਾਪੂਰਵਕ ਨਕਲ ਕਰ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਚਿੱਤਰ ਜਾਂ ਬੋਲੀ ਦੀ ਪਛਾਣ। ਪਰ ਹੋਰ ਕੰਮਾਂ ਲਈ, ਜਿਵੇਂ ਕਿ ਗੱਲਬਾਤ ਨੂੰ ਸਮਝਣਾ ਜਾਂ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਸਬੰਧਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਡੂੰਘੀ ਸਿਖਲਾਈ ਉਚਿਤ ਨਹੀਂ ਹੈ। ਵਧੇਰੇ ਉੱਨਤ ਬੁੱਧੀਮਾਨ ਮਸ਼ੀਨਾਂ ਬਣਾਉਣ ਲਈ ਜੋ ਸਮੱਸਿਆਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਨੂੰ ਹੱਲ ਕਰ ਸਕਦੀਆਂ ਹਨ - ਜਿਸਨੂੰ ਅਕਸਰ ਆਰਟੀਫਿਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਡੂੰਘੀ ਸਿਖਲਾਈ ਨੂੰ ਹੋਰ ਤਕਨੀਕਾਂ ਨਾਲ ਜੋੜਨ ਦੀ ਲੋੜ ਹੈ।

ਜੇਕਰ ਕੋਈ AI ਸਿਸਟਮ ਆਪਣੇ ਕੰਮਾਂ ਜਾਂ ਇਸ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਦੀ ਦੁਨੀਆ ਨੂੰ ਸੱਚਮੁੱਚ ਨਹੀਂ ਸਮਝਦਾ, ਤਾਂ ਇਸ ਦੇ ਖਤਰਨਾਕ ਨਤੀਜੇ ਨਿਕਲ ਸਕਦੇ ਹਨ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਸਿਸਟਮ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮਾਮੂਲੀ ਅਚਾਨਕ ਤਬਦੀਲੀਆਂ ਵੀ ਗਲਤ ਵਿਵਹਾਰ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦੀਆਂ ਹਨ। ਅਜਿਹੀਆਂ ਕਈ ਉਦਾਹਰਣਾਂ ਪਹਿਲਾਂ ਹੀ ਮੌਜੂਦ ਹਨ: ਅਣਉਚਿਤ ਸਮੀਕਰਨਾਂ ਦੇ ਨਿਰਧਾਰਕ ਜੋ ਧੋਖਾ ਦੇਣਾ ਆਸਾਨ ਹਨ; ਨੌਕਰੀ ਖੋਜ ਪ੍ਰਣਾਲੀਆਂ ਜੋ ਲਗਾਤਾਰ ਵਿਤਕਰਾ ਕਰਦੀਆਂ ਹਨ; ਡਰਾਈਵਰ ਰਹਿਤ ਕਾਰਾਂ ਜੋ ਕ੍ਰੈਸ਼ ਹੋ ਜਾਂਦੀਆਂ ਹਨ ਅਤੇ ਕਈ ਵਾਰ ਡਰਾਈਵਰ ਜਾਂ ਪੈਦਲ ਯਾਤਰੀ ਨੂੰ ਮਾਰ ਦਿੰਦੀਆਂ ਹਨ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਜਨਰਲ ਇੰਟੈਲੀਜੈਂਸ ਬਣਾਉਣਾ ਸਿਰਫ ਇੱਕ ਦਿਲਚਸਪ ਖੋਜ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ, ਇਸ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਹਾਰਕ ਐਪਲੀਕੇਸ਼ਨ ਹਨ।

ਆਪਣੀ ਕਿਤਾਬ ਵਿੱਚ, ਮਾਰਕਸ ਅਤੇ ਉਸਦੇ ਸਹਿ-ਲੇਖਕ ਅਰਨੈਸਟ ਡੇਵਿਸ ਇੱਕ ਵੱਖਰੇ ਮਾਰਗ ਲਈ ਬਹਿਸ ਕਰਦੇ ਹਨ। ਉਹ ਮੰਨਦੇ ਹਨ ਕਿ ਅਸੀਂ ਅਜੇ ਵੀ ਜਨਰਲ AI ਬਣਾਉਣ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹਾਂ, ਪਰ ਉਨ੍ਹਾਂ ਨੂੰ ਭਰੋਸਾ ਹੈ ਕਿ ਜਲਦੀ ਜਾਂ ਬਾਅਦ ਵਿੱਚ ਇਸਨੂੰ ਬਣਾਉਣਾ ਸੰਭਵ ਹੋਵੇਗਾ।

ਸਾਨੂੰ ਜਨਰਲ ਏਆਈ ਦੀ ਕਿਉਂ ਲੋੜ ਹੈ? ਵਿਸ਼ੇਸ਼ ਸੰਸਕਰਣ ਪਹਿਲਾਂ ਹੀ ਬਣਾਏ ਜਾ ਚੁੱਕੇ ਹਨ ਅਤੇ ਬਹੁਤ ਸਾਰੇ ਲਾਭ ਲਿਆਉਂਦੇ ਹਨ।

ਇਹ ਸਹੀ ਹੈ, ਅਤੇ ਹੋਰ ਵੀ ਫਾਇਦੇ ਹੋਣਗੇ। ਪਰ ਇੱਥੇ ਬਹੁਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ AI ਸਿਰਫ਼ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕਦਾ। ਉਦਾਹਰਨ ਲਈ, ਸਧਾਰਣ ਬੋਲੀ ਨੂੰ ਸਮਝਣਾ, ਜਾਂ ਵਰਚੁਅਲ ਸੰਸਾਰ ਵਿੱਚ ਆਮ ਸਹਾਇਤਾ, ਜਾਂ ਇੱਕ ਰੋਬੋਟ ਜੋ ਸਫਾਈ ਅਤੇ ਖਾਣਾ ਬਣਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ। ਅਜਿਹੇ ਕੰਮ ਵਿਸ਼ੇਸ਼ ਏਆਈ ਦੀ ਸਮਰੱਥਾ ਤੋਂ ਪਰੇ ਹਨ। ਇੱਕ ਹੋਰ ਦਿਲਚਸਪ ਵਿਹਾਰਕ ਸਵਾਲ: ਕੀ ਵਿਸ਼ੇਸ਼ ਏਆਈ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਸੁਰੱਖਿਅਤ ਸਵੈ-ਡਰਾਈਵਿੰਗ ਕਾਰ ਬਣਾਉਣਾ ਸੰਭਵ ਹੈ? ਤਜਰਬਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅਜਿਹੇ AI ਨੂੰ ਅਜੇ ਵੀ ਅਸਧਾਰਨ ਸਥਿਤੀਆਂ ਵਿੱਚ ਵਿਵਹਾਰ ਦੇ ਨਾਲ ਬਹੁਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹਨ, ਭਾਵੇਂ ਡ੍ਰਾਈਵਿੰਗ ਕਰਦੇ ਸਮੇਂ, ਜੋ ਸਥਿਤੀ ਨੂੰ ਬਹੁਤ ਗੁੰਝਲਦਾਰ ਬਣਾਉਂਦਾ ਹੈ।

ਮੈਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਅਸੀਂ ਸਾਰੇ AI ਚਾਹੁੰਦੇ ਹਾਂ ਜੋ ਦਵਾਈ ਵਿੱਚ ਵੱਡੀਆਂ ਨਵੀਆਂ ਖੋਜਾਂ ਕਰਨ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰ ਸਕੇ। ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਕੀ ਮੌਜੂਦਾ ਤਕਨਾਲੋਜੀ ਇਸ ਲਈ ਢੁਕਵੀਂ ਹੈ, ਕਿਉਂਕਿ ਜੀਵ ਵਿਗਿਆਨ ਇੱਕ ਗੁੰਝਲਦਾਰ ਖੇਤਰ ਹੈ। ਤੁਹਾਨੂੰ ਬਹੁਤ ਸਾਰੀਆਂ ਕਿਤਾਬਾਂ ਪੜ੍ਹਨ ਲਈ ਤਿਆਰ ਰਹਿਣ ਦੀ ਲੋੜ ਹੈ। ਵਿਗਿਆਨੀ ਨੈੱਟਵਰਕਾਂ ਅਤੇ ਅਣੂਆਂ ਦੇ ਆਪਸੀ ਤਾਲਮੇਲ ਵਿੱਚ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਸਬੰਧਾਂ ਨੂੰ ਸਮਝਦੇ ਹਨ, ਗ੍ਰਹਿਆਂ ਬਾਰੇ ਸਿਧਾਂਤ ਵਿਕਸਿਤ ਕਰ ਸਕਦੇ ਹਨ, ਆਦਿ। ਹਾਲਾਂਕਿ, ਵਿਸ਼ੇਸ਼ AI ਦੇ ਨਾਲ, ਅਸੀਂ ਅਜਿਹੀਆਂ ਖੋਜਾਂ ਦੇ ਸਮਰੱਥ ਮਸ਼ੀਨਾਂ ਨਹੀਂ ਬਣਾ ਸਕਦੇ ਹਾਂ। ਅਤੇ ਆਮ AI ਨਾਲ, ਅਸੀਂ ਵਿਗਿਆਨ, ਤਕਨਾਲੋਜੀ ਅਤੇ ਦਵਾਈ ਵਿੱਚ ਕ੍ਰਾਂਤੀ ਲਿਆ ਸਕਦੇ ਹਾਂ। ਮੇਰੀ ਰਾਏ ਵਿੱਚ, ਜਨਰਲ AI ਬਣਾਉਣ ਲਈ ਕੰਮ ਕਰਨਾ ਜਾਰੀ ਰੱਖਣਾ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੈ.

ਅਜਿਹਾ ਲਗਦਾ ਹੈ ਜਿਵੇਂ "ਆਮ" ਦੁਆਰਾ ਤੁਹਾਡਾ ਮਤਲਬ ਮਜ਼ਬੂਤ ​​​​AI ਹੈ?

"ਆਮ" ਦੁਆਰਾ ਮੇਰਾ ਮਤਲਬ ਹੈ ਕਿ AI ਉੱਡਣ 'ਤੇ ਨਵੀਆਂ ਸਮੱਸਿਆਵਾਂ ਬਾਰੇ ਸੋਚਣ ਅਤੇ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ। ਇਸ ਦੇ ਉਲਟ, ਕਹੋ, ਜਾਓ, ਜਿੱਥੇ ਪਿਛਲੇ 2000 ਸਾਲਾਂ ਤੋਂ ਸਮੱਸਿਆ ਨਹੀਂ ਬਦਲੀ ਹੈ।

ਜਨਰਲ ਏਆਈ ਨੂੰ ਰਾਜਨੀਤੀ ਅਤੇ ਦਵਾਈ ਦੋਵਾਂ ਵਿੱਚ ਫੈਸਲੇ ਲੈਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਮਨੁੱਖੀ ਯੋਗਤਾ ਦੇ ਸਮਾਨ ਹੈ; ਕੋਈ ਵੀ ਸਮਝਦਾਰ ਵਿਅਕਤੀ ਬਹੁਤ ਕੁਝ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਸੀਂ ਭੋਲੇ-ਭਾਲੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਲੈਂਦੇ ਹੋ ਅਤੇ ਕੁਝ ਦਿਨਾਂ ਦੇ ਅੰਦਰ ਉਹਨਾਂ ਨੂੰ ਕਾਨੂੰਨੀ ਸਮੱਸਿਆ ਤੋਂ ਲੈ ਕੇ ਡਾਕਟਰੀ ਸਮੱਸਿਆ ਤੱਕ ਲਗਭਗ ਕਿਸੇ ਵੀ ਚੀਜ਼ 'ਤੇ ਕੰਮ ਕਰਨ ਲਈ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਇਹ ਇਸ ਲਈ ਹੈ ਕਿਉਂਕਿ ਉਹਨਾਂ ਕੋਲ ਸੰਸਾਰ ਦੀ ਆਮ ਸਮਝ ਹੈ ਅਤੇ ਉਹ ਪੜ੍ਹ ਸਕਦੇ ਹਨ, ਅਤੇ ਇਸ ਲਈ ਬਹੁਤ ਸਾਰੀਆਂ ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾ ਸਕਦੇ ਹਨ।

ਅਜਿਹੀ ਬੁੱਧੀ ਅਤੇ ਮਜ਼ਬੂਤ ​​ਬੁੱਧੀ ਦਾ ਸਬੰਧ ਇਹ ਹੈ ਕਿ ਇੱਕ ਗੈਰ-ਮਜ਼ਬੂਤ ​​ਬੁੱਧੀ ਸ਼ਾਇਦ ਆਮ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵੇਗੀ। ਕਦੇ-ਕਦੇ ਬਦਲਦੇ ਸੰਸਾਰ ਨਾਲ ਨਜਿੱਠਣ ਲਈ ਕਾਫ਼ੀ ਮਜ਼ਬੂਤ ​​​​ਕੁਝ ਬਣਾਉਣ ਲਈ, ਤੁਹਾਨੂੰ ਘੱਟੋ-ਘੱਟ ਆਮ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਤੱਕ ਪਹੁੰਚਣ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।

ਪਰ ਹੁਣ ਅਸੀਂ ਇਸ ਤੋਂ ਬਹੁਤ ਦੂਰ ਹਾਂ। AlphaGo ਇੱਕ 19x19 ਬੋਰਡ 'ਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਾਲ ਖੇਡ ਸਕਦਾ ਹੈ, ਪਰ ਇਸਨੂੰ ਆਇਤਾਕਾਰ ਬੋਰਡ 'ਤੇ ਖੇਡਣ ਲਈ ਦੁਬਾਰਾ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੈ। ਜਾਂ ਔਸਤ ਡੂੰਘੀ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀ ਲਓ: ਇਹ ਇੱਕ ਹਾਥੀ ਨੂੰ ਪਛਾਣ ਸਕਦਾ ਹੈ ਜੇਕਰ ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਪ੍ਰਕਾਸ਼ਤ ਹੋਵੇ ਅਤੇ ਉਸਦੀ ਚਮੜੀ ਦੀ ਬਣਤਰ ਦਿਖਾਈ ਦੇ ਰਹੀ ਹੋਵੇ। ਅਤੇ ਜੇਕਰ ਸਿਰਫ ਇੱਕ ਹਾਥੀ ਦਾ ਸਿਲੂਏਟ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਸਿਸਟਮ ਸ਼ਾਇਦ ਇਸਨੂੰ ਪਛਾਣਨ ਦੇ ਯੋਗ ਨਹੀਂ ਹੋਵੇਗਾ.

ਤੁਹਾਡੀ ਕਿਤਾਬ ਵਿੱਚ, ਤੁਸੀਂ ਜ਼ਿਕਰ ਕਰਦੇ ਹੋ ਕਿ ਡੂੰਘੀ ਸਿਖਲਾਈ ਆਮ ਏਆਈ ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਪ੍ਰਾਪਤ ਨਹੀਂ ਕਰ ਸਕਦੀ ਕਿਉਂਕਿ ਇਹ ਡੂੰਘੀ ਸਮਝ ਦੇ ਯੋਗ ਨਹੀਂ ਹੈ।

ਬੋਧਾਤਮਕ ਵਿਗਿਆਨ ਵਿੱਚ ਉਹ ਵੱਖ-ਵੱਖ ਬੋਧਾਤਮਕ ਮਾਡਲਾਂ ਦੇ ਗਠਨ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹਨ। ਮੈਂ ਇੱਕ ਹੋਟਲ ਦੇ ਕਮਰੇ ਵਿੱਚ ਬੈਠਾ ਹਾਂ ਅਤੇ ਮੈਂ ਸਮਝਦਾ ਹਾਂ ਕਿ ਇੱਥੇ ਇੱਕ ਅਲਮਾਰੀ ਹੈ, ਇੱਕ ਬਿਸਤਰਾ ਹੈ, ਇੱਕ ਟੀਵੀ ਹੈ ਜੋ ਇੱਕ ਅਸਾਧਾਰਨ ਤਰੀਕੇ ਨਾਲ ਲਟਕਿਆ ਹੋਇਆ ਹੈ। ਮੈਂ ਇਹਨਾਂ ਸਾਰੀਆਂ ਵਸਤੂਆਂ ਨੂੰ ਜਾਣਦਾ ਹਾਂ, ਮੈਂ ਉਹਨਾਂ ਦੀ ਪਛਾਣ ਨਹੀਂ ਕਰਦਾ। ਮੈਂ ਇਹ ਵੀ ਸਮਝਦਾ ਹਾਂ ਕਿ ਉਹ ਇੱਕ ਦੂਜੇ ਨਾਲ ਕਿਵੇਂ ਜੁੜੇ ਹੋਏ ਹਨ. ਮੇਰੇ ਆਲੇ ਦੁਆਲੇ ਦੇ ਸੰਸਾਰ ਦੇ ਕੰਮਕਾਜ ਬਾਰੇ ਮੇਰੇ ਕੋਲ ਵਿਚਾਰ ਹਨ। ਉਹ ਸੰਪੂਰਣ ਨਹੀਂ ਹਨ। ਉਹ ਗਲਤ ਹੋ ਸਕਦੇ ਹਨ, ਪਰ ਉਹ ਕਾਫ਼ੀ ਚੰਗੇ ਹਨ. ਅਤੇ ਉਹਨਾਂ ਦੇ ਅਧਾਰ ਤੇ, ਮੈਂ ਬਹੁਤ ਸਾਰੇ ਸਿੱਟੇ ਕੱਢਦਾ ਹਾਂ ਜੋ ਮੇਰੇ ਰੋਜ਼ਾਨਾ ਕੰਮਾਂ ਲਈ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਬਣ ਜਾਂਦੇ ਹਨ.

ਦੂਸਰਾ ਅਤਿਅੰਤ ਡੀਪਮਾਈਂਡ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ ਅਟਾਰੀ ਗੇਮ ਸਿਸਟਮ ਵਰਗਾ ਸੀ, ਜਿਸ ਵਿੱਚ ਇਹ ਯਾਦ ਰੱਖਦਾ ਹੈ ਕਿ ਜਦੋਂ ਇਸਨੂੰ ਸਕ੍ਰੀਨ 'ਤੇ ਕੁਝ ਸਥਾਨਾਂ ਵਿੱਚ ਪਿਕਸਲ ਦੇਖੇ ਤਾਂ ਇਸਨੂੰ ਕੀ ਕਰਨ ਦੀ ਲੋੜ ਸੀ। ਜੇ ਤੁਹਾਨੂੰ ਕਾਫ਼ੀ ਡੇਟਾ ਮਿਲਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਸੋਚ ਸਕਦੇ ਹੋ ਕਿ ਤੁਹਾਨੂੰ ਸਮਝ ਹੈ, ਪਰ ਅਸਲ ਵਿੱਚ ਇਹ ਬਹੁਤ ਸਤਹੀ ਹੈ। ਇਸਦਾ ਸਬੂਤ ਇਹ ਹੈ ਕਿ ਜੇਕਰ ਤੁਸੀਂ ਵਸਤੂਆਂ ਨੂੰ ਤਿੰਨ ਪਿਕਸਲ ਦੁਆਰਾ ਮੂਵ ਕਰਦੇ ਹੋ, ਤਾਂ AI ਬਹੁਤ ਖਰਾਬ ਖੇਡਦਾ ਹੈ। ਤਬਦੀਲੀਆਂ ਉਸ ਨੂੰ ਪਰੇਸ਼ਾਨ ਕਰਦੀਆਂ ਹਨ। ਇਹ ਡੂੰਘੀ ਸਮਝ ਦੇ ਉਲਟ ਹੈ।

ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ, ਤੁਸੀਂ ਕਲਾਸੀਕਲ AI 'ਤੇ ਵਾਪਸ ਜਾਣ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਦੇ ਹੋ। ਸਾਨੂੰ ਕਿਹੜੇ ਫਾਇਦੇ ਵਰਤਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ?

ਕਈ ਫਾਇਦੇ ਹਨ।

ਪਹਿਲਾਂ, ਕਲਾਸੀਕਲ AI ਅਸਲ ਵਿੱਚ ਸੰਸਾਰ ਦੇ ਬੋਧਾਤਮਕ ਮਾਡਲਾਂ ਨੂੰ ਬਣਾਉਣ ਲਈ ਇੱਕ ਢਾਂਚਾ ਹੈ, ਜਿਸਦੇ ਆਧਾਰ 'ਤੇ ਸਿੱਟੇ ਕੱਢੇ ਜਾ ਸਕਦੇ ਹਨ।

ਦੂਜਾ, ਕਲਾਸੀਕਲ AI ਨਿਯਮਾਂ ਦੇ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਹੈ। ਇਸ ਸਮੇਂ ਡੂੰਘੀ ਸਿਖਲਾਈ ਵਿੱਚ ਇੱਕ ਅਜੀਬ ਰੁਝਾਨ ਹੈ ਜਿੱਥੇ ਮਾਹਰ ਨਿਯਮਾਂ ਤੋਂ ਬਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ। ਉਹ ਨਿਊਰਲ ਨੈੱਟਵਰਕ 'ਤੇ ਸਭ ਕੁਝ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ ਅਤੇ ਅਜਿਹਾ ਕੁਝ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹਨ ਜੋ ਕਲਾਸੀਕਲ ਪ੍ਰੋਗਰਾਮਿੰਗ ਵਰਗਾ ਲੱਗਦਾ ਹੈ। ਪਰ ਅਜਿਹੀਆਂ ਸਮੱਸਿਆਵਾਂ ਹਨ ਜੋ ਸ਼ਾਂਤੀ ਨਾਲ ਇਸ ਤਰੀਕੇ ਨਾਲ ਹੱਲ ਕੀਤੀਆਂ ਗਈਆਂ ਸਨ, ਅਤੇ ਕਿਸੇ ਨੇ ਇਸ ਵੱਲ ਧਿਆਨ ਨਹੀਂ ਦਿੱਤਾ. ਉਦਾਹਰਨ ਲਈ, ਗੂਗਲ ਮੈਪਸ ਵਿੱਚ ਰੂਟ ਬਣਾਉਣਾ।

ਵਾਸਤਵ ਵਿੱਚ, ਸਾਨੂੰ ਦੋਨੋ ਪਹੁੰਚ ਦੀ ਲੋੜ ਹੈ. ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਡੇਟਾ ਤੋਂ ਸਿੱਖਣ ਵਿੱਚ ਚੰਗੀ ਹੈ, ਪਰ ਐਬਸਟਰੈਕਸ਼ਨ ਨੂੰ ਦਰਸਾਉਣ ਵਿੱਚ ਬਹੁਤ ਮਾੜੀ ਹੈ ਜੋ ਇੱਕ ਕੰਪਿਊਟਰ ਪ੍ਰੋਗਰਾਮ ਹੈ। ਕਲਾਸਿਕ AI ਐਬਸਟਰੈਕਸ਼ਨਾਂ ਦੇ ਨਾਲ ਵਧੀਆ ਕੰਮ ਕਰਦਾ ਹੈ, ਪਰ ਇਸਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਹੱਥਾਂ ਨਾਲ ਪ੍ਰੋਗ੍ਰਾਮ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਉਹਨਾਂ ਸਾਰਿਆਂ ਨੂੰ ਪ੍ਰੋਗਰਾਮ ਕਰਨ ਲਈ ਦੁਨੀਆ ਵਿੱਚ ਬਹੁਤ ਜ਼ਿਆਦਾ ਗਿਆਨ ਹੈ। ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਸਾਨੂੰ ਦੋਵਾਂ ਪਹੁੰਚਾਂ ਨੂੰ ਜੋੜਨ ਦੀ ਲੋੜ ਹੈ।

ਇਹ ਉਸ ਅਧਿਆਏ ਨਾਲ ਜੁੜਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਤੁਸੀਂ ਇਸ ਬਾਰੇ ਗੱਲ ਕਰਦੇ ਹੋ ਕਿ ਅਸੀਂ ਮਨੁੱਖੀ ਮਨ ਤੋਂ ਕੀ ਸਿੱਖ ਸਕਦੇ ਹਾਂ। ਅਤੇ ਸਭ ਤੋਂ ਪਹਿਲਾਂ, ਉੱਪਰ ਦੱਸੇ ਗਏ ਵਿਚਾਰ 'ਤੇ ਅਧਾਰਤ ਸੰਕਲਪ ਬਾਰੇ ਕਿ ਸਾਡੀ ਚੇਤਨਾ ਵਿੱਚ ਬਹੁਤ ਸਾਰੀਆਂ ਵੱਖਰੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਸ਼ਾਮਲ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਕੰਮ ਕਰਦੀਆਂ ਹਨ।

ਮੈਂ ਸੋਚਦਾ ਹਾਂ ਕਿ ਇਸ ਨੂੰ ਸਮਝਾਉਣ ਦਾ ਇੱਕ ਹੋਰ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਸਾਡੇ ਕੋਲ ਹਰੇਕ ਬੋਧਾਤਮਕ ਪ੍ਰਣਾਲੀ ਅਸਲ ਵਿੱਚ ਇੱਕ ਵੱਖਰੀ ਸਮੱਸਿਆ ਦਾ ਹੱਲ ਕਰਦੀ ਹੈ। AI ਦੇ ਸਮਾਨ ਹਿੱਸੇ ਵੱਖ-ਵੱਖ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਦੀਆਂ ਵੱਖੋ ਵੱਖਰੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ।

ਹੁਣ ਅਸੀਂ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਕੁਝ ਆਲ-ਇਨ-ਵਨ ਤਕਨਾਲੋਜੀਆਂ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਇੱਕ ਦੂਜੇ ਤੋਂ ਬਿਲਕੁਲ ਵੱਖਰੀਆਂ ਹਨ। ਕਿਸੇ ਵਾਕ ਨੂੰ ਸਮਝਣਾ ਕਿਸੇ ਵਸਤੂ ਨੂੰ ਪਛਾਣਨ ਦੇ ਬਰਾਬਰ ਨਹੀਂ ਹੈ। ਪਰ ਲੋਕ ਦੋਵਾਂ ਮਾਮਲਿਆਂ ਵਿੱਚ ਡੂੰਘੀ ਸਿੱਖਿਆ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਹੇ ਹਨ। ਬੋਧਾਤਮਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ, ਇਹ ਗੁਣਾਤਮਕ ਤੌਰ 'ਤੇ ਵੱਖਰੇ ਕੰਮ ਹਨ। ਮੈਂ ਸਿਰਫ਼ ਇਸ ਗੱਲ 'ਤੇ ਹੈਰਾਨ ਹਾਂ ਕਿ ਡੂੰਘੇ ਸਿੱਖਣ ਵਾਲੇ ਭਾਈਚਾਰੇ ਵਿੱਚ ਕਲਾਸੀਕਲ AI ਲਈ ਕਿੰਨੀ ਘੱਟ ਪ੍ਰਸ਼ੰਸਾ ਹੈ। ਚਾਂਦੀ ਦੀ ਗੋਲੀ ਦੇ ਆਉਣ ਦੀ ਉਡੀਕ ਕਿਉਂ? ਇਹ ਅਪ੍ਰਾਪਤ ਹੈ, ਅਤੇ ਬੇਕਾਰ ਖੋਜਾਂ ਸਾਨੂੰ AI ਬਣਾਉਣ ਦੇ ਕੰਮ ਦੀ ਪੂਰੀ ਗੁੰਝਲਤਾ ਨੂੰ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਨਹੀਂ ਦਿੰਦੀਆਂ।

ਤੁਸੀਂ ਇਹ ਵੀ ਜ਼ਿਕਰ ਕਰਦੇ ਹੋ ਕਿ ਕਾਰਨ-ਅਤੇ-ਪ੍ਰਭਾਵ ਸਬੰਧਾਂ ਨੂੰ ਸਮਝਣ ਲਈ AI ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਕੀ ਤੁਹਾਨੂੰ ਲਗਦਾ ਹੈ ਕਿ ਡੂੰਘੀ ਸਿਖਲਾਈ, ਕਲਾਸੀਕਲ AI, ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵਾਂ ਕੁਝ ਇਸ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰੇਗਾ?

ਇਹ ਇੱਕ ਹੋਰ ਖੇਤਰ ਹੈ ਜਿੱਥੇ ਡੂੰਘੀ ਸਿਖਲਾਈ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਨੁਕੂਲ ਨਹੀਂ ਹੈ। ਇਹ ਕੁਝ ਖਾਸ ਘਟਨਾਵਾਂ ਦੇ ਕਾਰਨਾਂ ਦੀ ਵਿਆਖਿਆ ਨਹੀਂ ਕਰਦਾ, ਪਰ ਦਿੱਤੀਆਂ ਹਾਲਤਾਂ ਦੇ ਅਧੀਨ ਇੱਕ ਘਟਨਾ ਦੀ ਸੰਭਾਵਨਾ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।

ਅਸੀਂ ਕਿਸ ਬਾਰੇ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ? ਤੁਸੀਂ ਕੁਝ ਦ੍ਰਿਸ਼ਾਂ ਨੂੰ ਦੇਖਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਸਮਝਦੇ ਹੋ ਕਿ ਅਜਿਹਾ ਕਿਉਂ ਹੁੰਦਾ ਹੈ ਅਤੇ ਜੇਕਰ ਕੁਝ ਹਾਲਾਤ ਬਦਲ ਜਾਂਦੇ ਹਨ ਤਾਂ ਕੀ ਹੋ ਸਕਦਾ ਹੈ। ਮੈਂ ਉਸ ਸਟੈਂਡ ਨੂੰ ਦੇਖ ਸਕਦਾ ਹਾਂ ਜਿਸ 'ਤੇ ਟੀਵੀ ਬੈਠਦਾ ਹੈ ਅਤੇ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹਾਂ ਕਿ ਜੇਕਰ ਮੈਂ ਇਸਦੀ ਇੱਕ ਲੱਤ ਕੱਟ ਦਿੰਦਾ ਹਾਂ, ਤਾਂ ਸਟੈਂਡ ਉੱਪਰ ਟਿਪ ਜਾਵੇਗਾ ਅਤੇ ਟੀਵੀ ਡਿੱਗ ਜਾਵੇਗਾ। ਇਹ ਇੱਕ ਕਾਰਨ ਅਤੇ ਪ੍ਰਭਾਵ ਰਿਸ਼ਤਾ ਹੈ.

ਕਲਾਸਿਕ AI ਸਾਨੂੰ ਇਸਦੇ ਲਈ ਕੁਝ ਟੂਲ ਦਿੰਦਾ ਹੈ। ਉਹ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹੈ, ਉਦਾਹਰਣ ਵਜੋਂ, ਸਹਾਰਾ ਕੀ ਹੈ ਅਤੇ ਕੀ ਗਿਰਾਵਟ ਹੈ। ਪਰ ਮੈਂ ਜ਼ਿਆਦਾ ਤਾਰੀਫ਼ ਨਹੀਂ ਕਰਾਂਗਾ। ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਕਲਾਸੀਕਲ AI ਜਿਆਦਾਤਰ ਇਸ ਬਾਰੇ ਪੂਰੀ ਜਾਣਕਾਰੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਹੋ ਰਿਹਾ ਹੈ, ਅਤੇ ਮੈਂ ਸਟੈਂਡ ਨੂੰ ਦੇਖ ਕੇ ਇੱਕ ਸਿੱਟੇ 'ਤੇ ਆਇਆ ਹਾਂ। ਮੈਂ ਕਿਸੇ ਤਰ੍ਹਾਂ ਸਧਾਰਣ ਕਰ ਸਕਦਾ ਹਾਂ, ਸਟੈਂਡ ਦੇ ਉਹਨਾਂ ਹਿੱਸਿਆਂ ਦੀ ਕਲਪਨਾ ਕਰ ਸਕਦਾ ਹਾਂ ਜੋ ਮੈਨੂੰ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦੇ ਹਨ। ਸਾਡੇ ਕੋਲ ਅਜੇ ਤੱਕ ਇਸ ਸੰਪਤੀ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਸਾਧਨ ਨਹੀਂ ਹਨ।

ਤੁਸੀਂ ਇਹ ਵੀ ਕਹਿੰਦੇ ਹੋ ਕਿ ਲੋਕਾਂ ਕੋਲ ਪੈਦਾਇਸ਼ੀ ਗਿਆਨ ਹੈ। ਇਸ ਨੂੰ AI ਵਿੱਚ ਕਿਵੇਂ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?

ਜਨਮ ਦੇ ਸਮੇਂ, ਸਾਡਾ ਦਿਮਾਗ ਪਹਿਲਾਂ ਹੀ ਇੱਕ ਬਹੁਤ ਵਿਸਤ੍ਰਿਤ ਪ੍ਰਣਾਲੀ ਹੈ. ਇਹ ਸਥਿਰ ਨਹੀਂ ਹੈ, ਕੁਦਰਤ ਨੇ ਪਹਿਲਾ, ਮੋਟਾ ਡਰਾਫਟ ਬਣਾਇਆ ਹੈ। ਅਤੇ ਫਿਰ ਸਿੱਖਣਾ ਸਾਡੀ ਸਾਰੀ ਉਮਰ ਉਸ ਡਰਾਫਟ ਨੂੰ ਸੋਧਣ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਦਾ ਹੈ।

ਦਿਮਾਗ ਦੇ ਇੱਕ ਮੋਟੇ ਡਰਾਫਟ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ ਕੁਝ ਸਮਰੱਥਾਵਾਂ ਹਨ. ਇੱਕ ਨਵਜੰਮੀ ਪਹਾੜੀ ਬੱਕਰੀ ਕੁਝ ਘੰਟਿਆਂ ਦੇ ਅੰਦਰ ਪਹਾੜੀ ਕਿਨਾਰੇ ਤੋਂ ਬਿਨਾਂ ਗਲਤੀ ਨਾਲ ਹੇਠਾਂ ਉਤਰਨ ਦੇ ਯੋਗ ਹੁੰਦੀ ਹੈ। ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਉਸਨੂੰ ਪਹਿਲਾਂ ਹੀ ਤਿੰਨ-ਅਯਾਮੀ ਸਪੇਸ, ਉਸਦੇ ਸਰੀਰ ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦੀ ਸਮਝ ਹੈ। ਇੱਕ ਬਹੁਤ ਹੀ ਗੁੰਝਲਦਾਰ ਸਿਸਟਮ.

ਇਹ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ ਇਸ ਲਈ ਹੈ ਕਿ ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਸਾਨੂੰ ਹਾਈਬ੍ਰਿਡ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. ਇਹ ਕਲਪਨਾ ਕਰਨਾ ਔਖਾ ਹੈ ਕਿ ਕੋਈ ਇੱਕ ਰੋਬੋਟ ਕਿਵੇਂ ਬਣਾ ਸਕਦਾ ਹੈ ਜੋ ਇੱਕ ਖਾਲੀ ਸਲੇਟ ਨਾਲ ਸ਼ੁਰੂ ਕਰਨ ਅਤੇ ਲੰਬੇ, ਵਿਸ਼ਾਲ ਅਨੁਭਵ ਤੋਂ ਸਿੱਖਣ ਦੀ ਬਜਾਏ, ਕਿੱਥੋਂ ਸ਼ੁਰੂ ਕਰਨਾ ਹੈ ਬਾਰੇ ਸਮਾਨ ਗਿਆਨ ਤੋਂ ਬਿਨਾਂ ਇੱਕ ਸੰਸਾਰ ਵਿੱਚ ਚੰਗੀ ਤਰ੍ਹਾਂ ਕੰਮ ਕਰਦਾ ਹੈ।

ਜਿੱਥੋਂ ਤੱਕ ਮਨੁੱਖਾਂ ਲਈ, ਸਾਡਾ ਜਨਮਤ ਗਿਆਨ ਸਾਡੇ ਜੀਨੋਮ ਤੋਂ ਆਉਂਦਾ ਹੈ, ਜੋ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਵਿਕਸਿਤ ਹੋਇਆ ਹੈ। ਪਰ ਏਆਈ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਨਾਲ ਸਾਨੂੰ ਇੱਕ ਵੱਖਰਾ ਰਸਤਾ ਜਾਣਾ ਪਏਗਾ। ਇਸ ਦਾ ਹਿੱਸਾ ਸਾਡੇ ਐਲਗੋਰਿਦਮ ਬਣਾਉਣ ਲਈ ਨਿਯਮ ਹੋ ਸਕਦਾ ਹੈ। ਇਸ ਦਾ ਹਿੱਸਾ ਡੇਟਾ ਢਾਂਚੇ ਨੂੰ ਬਣਾਉਣ ਲਈ ਨਿਯਮ ਹੋ ਸਕਦਾ ਹੈ ਜੋ ਇਹ ਐਲਗੋਰਿਦਮ ਹੇਰਾਫੇਰੀ ਕਰਦੇ ਹਨ। ਅਤੇ ਇਸਦਾ ਹਿੱਸਾ ਇਹ ਗਿਆਨ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਅਸੀਂ ਮਸ਼ੀਨਾਂ ਵਿੱਚ ਸਿੱਧੇ ਨਿਵੇਸ਼ ਕਰਾਂਗੇ.

ਇਹ ਦਿਲਚਸਪ ਹੈ ਕਿ ਕਿਤਾਬ ਵਿੱਚ ਤੁਸੀਂ ਭਰੋਸੇ ਦੇ ਵਿਚਾਰ ਅਤੇ ਭਰੋਸੇਯੋਗ ਪ੍ਰਣਾਲੀਆਂ ਦੀ ਸਿਰਜਣਾ ਨੂੰ ਲਿਆਉਂਦੇ ਹੋ. ਤੁਸੀਂ ਇਹ ਵਿਸ਼ੇਸ਼ ਮਾਪਦੰਡ ਕਿਉਂ ਚੁਣਿਆ?

ਮੇਰਾ ਮੰਨਣਾ ਹੈ ਕਿ ਅੱਜ ਇਹ ਸਭ ਇੱਕ ਗੇਂਦ ਦੀ ਖੇਡ ਹੈ। ਇਹ ਮੈਨੂੰ ਜਾਪਦਾ ਹੈ ਕਿ ਅਸੀਂ ਇਤਿਹਾਸ ਦੇ ਇੱਕ ਅਜੀਬ ਪਲ ਵਿੱਚੋਂ ਜੀ ਰਹੇ ਹਾਂ, ਬਹੁਤ ਸਾਰੇ ਸੌਫਟਵੇਅਰ 'ਤੇ ਭਰੋਸਾ ਕਰ ਰਹੇ ਹਾਂ ਜੋ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ. ਮੈਨੂੰ ਲੱਗਦਾ ਹੈ ਕਿ ਅੱਜ ਜੋ ਚਿੰਤਾਵਾਂ ਹਨ ਉਹ ਹਮੇਸ਼ਾ ਲਈ ਨਹੀਂ ਰਹਿਣਗੀਆਂ। ਸੌ ਸਾਲਾਂ ਵਿੱਚ, AI ਸਾਡੇ ਭਰੋਸੇ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਏਗਾ, ਅਤੇ ਸ਼ਾਇਦ ਇਸ ਤੋਂ ਵੀ ਜਲਦੀ।

ਪਰ ਅੱਜ ਏਆਈ ਖ਼ਤਰਨਾਕ ਹੈ। ਇਸ ਅਰਥ ਵਿਚ ਨਹੀਂ ਕਿ ਐਲੋਨ ਮਸਕ ਡਰਦਾ ਹੈ, ਪਰ ਇਸ ਅਰਥ ਵਿਚ ਕਿ ਨੌਕਰੀ ਇੰਟਰਵਿਊ ਪ੍ਰਣਾਲੀਆਂ ਔਰਤਾਂ ਨਾਲ ਵਿਤਕਰਾ ਕਰਦੀਆਂ ਹਨ, ਭਾਵੇਂ ਪ੍ਰੋਗਰਾਮਰ ਜੋ ਮਰਜ਼ੀ ਕਰਦੇ ਹਨ, ਕਿਉਂਕਿ ਉਨ੍ਹਾਂ ਦੇ ਸਾਧਨ ਬਹੁਤ ਸਧਾਰਨ ਹਨ।

ਕਾਸ਼ ਸਾਡੇ ਕੋਲ ਬਿਹਤਰ AI ਹੁੰਦਾ। ਮੈਂ "AI ਵਿੰਟਰ" ਨਹੀਂ ਦੇਖਣਾ ਚਾਹੁੰਦਾ ਜਿੱਥੇ ਲੋਕਾਂ ਨੂੰ ਇਹ ਅਹਿਸਾਸ ਹੁੰਦਾ ਹੈ ਕਿ AI ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਹੈ ਅਤੇ ਸਿਰਫ਼ ਖ਼ਤਰਨਾਕ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਠੀਕ ਨਹੀਂ ਕਰਨਾ ਚਾਹੁੰਦੇ।

ਕੁਝ ਤਰੀਕਿਆਂ ਨਾਲ, ਤੁਹਾਡੀ ਕਿਤਾਬ ਬਹੁਤ ਆਸ਼ਾਵਾਦੀ ਜਾਪਦੀ ਹੈ। ਤੁਸੀਂ ਮੰਨਦੇ ਹੋ ਕਿ ਭਰੋਸੇਯੋਗ AI ਬਣਾਉਣਾ ਸੰਭਵ ਹੈ। ਸਾਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਵੱਖਰੀ ਦਿਸ਼ਾ ਵਿੱਚ ਦੇਖਣ ਦੀ ਲੋੜ ਹੈ।

ਇਹ ਸਹੀ ਹੈ, ਕਿਤਾਬ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਬਹੁਤ ਨਿਰਾਸ਼ਾਵਾਦੀ ਹੈ ਅਤੇ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਬਹੁਤ ਆਸ਼ਾਵਾਦੀ ਹੈ। ਅਸੀਂ ਵਿਸ਼ਵਾਸ ਕਰਦੇ ਹਾਂ ਕਿ ਸਾਡੇ ਦੁਆਰਾ ਵਰਣਿਤ ਸਾਰੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਇੱਕ ਵਿਆਪਕ ਰੂਪ ਵਿੱਚ ਦੇਖ ਕੇ ਹੱਲ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਕਿ ਸਹੀ ਜਵਾਬ ਕੀ ਹੋਣੇ ਚਾਹੀਦੇ ਹਨ। ਅਤੇ ਅਸੀਂ ਸੋਚਦੇ ਹਾਂ ਕਿ ਜੇਕਰ ਅਜਿਹਾ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸੰਸਾਰ ਇੱਕ ਬਿਹਤਰ ਸਥਾਨ ਹੋਵੇਗਾ।

ਸਰੋਤ: www.habr.com