ఈ వచనం శాస్త్రీయ పరిశోధన యొక్క ఫలితం కాదు, కానీ మన తక్షణ సాంకేతిక అభివృద్ధికి సంబంధించిన అనేక అభిప్రాయాలలో ఒకటి. మరియు అదే సమయంలో చర్చకు ఆహ్వానం.
AI అభివృద్ధిలో లోతైన అభ్యాసం ముఖ్యమైన పాత్ర పోషిస్తుందని న్యూయార్క్ విశ్వవిద్యాలయంలో ప్రొఫెసర్ గ్యారీ మార్కస్ అభిప్రాయపడ్డారు. కానీ ఈ టెక్నిక్ పట్ల అధిక ఉత్సాహం దాని అపఖ్యాతికి దారితీస్తుందని కూడా అతను నమ్ముతాడు.
అతని పుస్తకంలో AIని రీబూట్ చేయడం: కృత్రిమ మేధస్సును నిర్మించడం మనం విశ్వసించవచ్చు మార్కస్, అత్యాధునిక AI పరిశోధనపై వృత్తిని నిర్మించుకున్న శిక్షణ ద్వారా న్యూరో సైంటిస్ట్, సాంకేతిక మరియు నైతిక అంశాల గురించి ప్రసంగించారు. సాంకేతిక దృక్కోణం నుండి, లోతైన అభ్యాసం చిత్రం లేదా ప్రసంగ గుర్తింపు వంటి మన మెదడు చేసే గ్రహణ పనులను విజయవంతంగా అనుకరిస్తుంది. కానీ సంభాషణలను అర్థం చేసుకోవడం లేదా కారణం-మరియు-ప్రభావ సంబంధాలను నిర్ణయించడం వంటి ఇతర పనులకు లోతైన అభ్యాసం సరిపోదు. విస్తృత శ్రేణి సమస్యలను పరిష్కరించగల మరింత అధునాతన తెలివైన యంత్రాలను రూపొందించడానికి-తరచుగా కృత్రిమ సాధారణ మేధస్సు అని పిలుస్తారు- లోతైన అభ్యాసాన్ని ఇతర సాంకేతికతలతో కలపడం అవసరం.
AI వ్యవస్థ దాని పనులు లేదా దాని చుట్టూ ఉన్న ప్రపంచాన్ని నిజంగా అర్థం చేసుకోకపోతే, ఇది ప్రమాదకరమైన పరిణామాలకు దారి తీస్తుంది. సిస్టమ్ యొక్క వాతావరణంలో స్వల్పంగా ఊహించని మార్పులు కూడా తప్పు ప్రవర్తనకు దారి తీయవచ్చు. ఇటువంటి ఉదాహరణలు ఇప్పటికే చాలా ఉన్నాయి: మోసగించడానికి సులభమైన అనుచితమైన వ్యక్తీకరణల నిర్ణాయకాలు; స్థిరంగా వివక్ష చూపే ఉద్యోగ శోధన వ్యవస్థలు; డ్రైవర్ లేని కార్లు క్రాష్ మరియు కొన్నిసార్లు డ్రైవర్ లేదా పాదచారులను చంపేస్తాయి. ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్‌ని సృష్టించడం అనేది ఒక ఆసక్తికరమైన పరిశోధన సమస్య మాత్రమే కాదు, ఇది చాలా పూర్తిగా ఆచరణాత్మక అనువర్తనాలను కలిగి ఉంది.
వారి పుస్తకంలో, మార్కస్ మరియు అతని సహ రచయిత ఎర్నెస్ట్ డేవిస్ వేరే మార్గం కోసం వాదించారు. సాధారణ AIని రూపొందించడానికి మేము ఇంకా చాలా దూరంలో ఉన్నామని వారు విశ్వసిస్తున్నారు, అయితే ముందుగానే లేదా తర్వాత దానిని సృష్టించడం సాధ్యమవుతుందని వారు విశ్వసిస్తున్నారు.
మనకు సాధారణ AI ఎందుకు అవసరం? ప్రత్యేక సంస్కరణలు ఇప్పటికే సృష్టించబడ్డాయి మరియు చాలా ప్రయోజనాలను తెస్తాయి.
అది నిజం, ఇంకా ఎక్కువ ప్రయోజనాలు ఉంటాయి. కానీ ప్రత్యేకమైన AI పరిష్కరించలేని అనేక సమస్యలు ఉన్నాయి. ఉదాహరణకు, సాధారణ ప్రసంగాన్ని అర్థం చేసుకోవడం లేదా వర్చువల్ ప్రపంచంలో సాధారణ సహాయం లేదా శుభ్రపరచడం మరియు వంట చేయడంలో సహాయపడే రోబోట్. ఇటువంటి పనులు ప్రత్యేక AI సామర్థ్యాలకు మించినవి. మరొక ఆసక్తికరమైన ఆచరణాత్మక ప్రశ్న: ప్రత్యేకమైన AIని ఉపయోగించి సురక్షితమైన స్వీయ-డ్రైవింగ్ కారుని సృష్టించడం సాధ్యమేనా? అటువంటి AI ఇప్పటికీ అసాధారణ పరిస్థితుల్లో ప్రవర్తనతో అనేక సమస్యలను కలిగి ఉందని అనుభవం చూపిస్తుంది, డ్రైవింగ్ చేసేటప్పుడు కూడా, ఇది పరిస్థితిని చాలా క్లిష్టతరం చేస్తుంది.
వైద్యశాస్త్రంలో పెద్ద కొత్త ఆవిష్కరణలు చేయడంలో సహాయపడే AIని మనమందరం కలిగి ఉండాలని నేను భావిస్తున్నాను. జీవశాస్త్రం సంక్లిష్టమైన రంగం కాబట్టి, ప్రస్తుత సాంకేతికతలు దీనికి అనుకూలంగా ఉన్నాయో లేదో అస్పష్టంగా ఉంది. మీరు చాలా పుస్తకాలు చదవడానికి సిద్ధంగా ఉండాలి. శాస్త్రవేత్తలు నెట్‌వర్క్‌లు మరియు అణువుల పరస్పర చర్యలో కారణం-మరియు-ప్రభావ సంబంధాలను అర్థం చేసుకుంటారు, గ్రహాల గురించి సిద్ధాంతాలను అభివృద్ధి చేయవచ్చు మరియు మొదలైనవి. అయినప్పటికీ, ప్రత్యేకమైన AIతో, మేము అలాంటి ఆవిష్కరణలను చేయగల యంత్రాలను సృష్టించలేము. మరియు సాధారణ AIతో, మేము సైన్స్, టెక్నాలజీ మరియు వైద్యంలో విప్లవాత్మక మార్పులు చేయవచ్చు. నా అభిప్రాయం ప్రకారం, సాధారణ AIని సృష్టించే దిశగా పని చేయడం చాలా ముఖ్యం.
"జనరల్" అంటే మీరు బలమైన AI అని అనుకుంటున్నారా?
"సాధారణం" అంటే AI కొత్త సమస్యల గురించి ఆలోచించి పరిష్కరించగలదని నా ఉద్దేశ్యం. గత 2000 సంవత్సరాలుగా సమస్య మారని గో అని కాకుండా.
సాధారణ AI రాజకీయాలు మరియు వైద్యం రెండింటిలోనూ నిర్ణయాలు తీసుకోగలగాలి. ఇది మానవ సామర్థ్యానికి సారూప్యం; ఏదైనా తెలివిగల వ్యక్తి చాలా చేయగలడు. మీరు అనుభవం లేని విద్యార్థులను తీసుకుంటారు మరియు కొన్ని రోజులలో చట్టపరమైన సమస్య నుండి వైద్య సమస్య వరకు దాదాపు ఏదైనా పని చేసేలా చేస్తారు. ఎందుకంటే వారు ప్రపంచం గురించి సాధారణ అవగాహన కలిగి ఉంటారు మరియు చదవగలరు మరియు అందువల్ల చాలా విస్తృతమైన కార్యకలాపాలకు దోహదం చేయగలరు.
అటువంటి తెలివితేటలు మరియు బలమైన తెలివితేటల మధ్య సంబంధం ఏమిటంటే, బలమైన తెలివితేటలు బహుశా సాధారణ సమస్యలను పరిష్కరించలేవు. ఎప్పటికప్పుడు మారుతున్న ప్రపంచాన్ని ఎదుర్కోవడానికి తగినంత బలమైనదాన్ని సృష్టించడానికి, మీరు కనీసం సాధారణ మేధస్సును సంప్రదించవలసి ఉంటుంది.
కానీ ఇప్పుడు మనం దీనికి చాలా దూరంగా ఉన్నాం. ఆల్ఫాగో 19x19 బోర్డ్‌లో చక్కగా ప్లే చేయగలదు, అయితే దీర్ఘచతురస్రాకార బోర్డ్‌లో ప్లే చేయడానికి ఇది మళ్లీ శిక్షణ పొందాలి. లేదా సగటు డీప్ లెర్నింగ్ సిస్టమ్‌ను తీసుకోండి: ఏనుగు బాగా వెలుతురు ఉంటే మరియు దాని చర్మం ఆకృతి కనిపిస్తే అది గుర్తించగలదు. మరియు ఏనుగు యొక్క సిల్హౌట్ మాత్రమే కనిపిస్తే, సిస్టమ్ దానిని గుర్తించలేకపోవచ్చు.
మీ పుస్తకంలో, లోతైన అభ్యాసం సాధారణ AI యొక్క సామర్థ్యాలను సాధించలేదని మీరు పేర్కొన్నారు ఎందుకంటే ఇది లోతైన అవగాహనను కలిగి ఉండదు.
అభిజ్ఞా శాస్త్రంలో వారు వివిధ అభిజ్ఞా నమూనాల ఏర్పాటు గురించి మాట్లాడతారు. నేను హోటల్ గదిలో కూర్చున్నాను మరియు అక్కడ ఒక గది ఉందని, మంచం ఉందని, అసాధారణ రీతిలో వేలాడదీసిన టీవీ ఉందని నేను అర్థం చేసుకున్నాను. ఈ వస్తువులన్నీ నాకు తెలుసు, నేను వాటిని గుర్తించడం లేదు. అవి ఒకదానితో ఒకటి ఎలా ముడిపడి ఉన్నాయో కూడా నేను అర్థం చేసుకున్నాను. నా చుట్టూ ఉన్న ప్రపంచం యొక్క పనితీరు గురించి నాకు ఆలోచనలు ఉన్నాయి. అవి పరిపూర్ణంగా లేవు. అవి తప్పు కావచ్చు, కానీ అవి చాలా మంచివి. మరియు వాటి ఆధారంగా, నేను నా రోజువారీ చర్యలకు మార్గదర్శకాలుగా మారే చాలా తీర్మానాలు చేస్తాను.
ఇతర విపరీతమైనది డీప్‌మైండ్ నిర్మించిన అటారీ గేమ్ సిస్టమ్ వంటిది, దీనిలో స్క్రీన్‌పై కొన్ని ప్రదేశాలలో పిక్సెల్‌లను చూసినప్పుడు అది ఏమి చేయాలో గుర్తుచేసుకుంది. మీకు తగినంత డేటా లభిస్తే, మీకు అవగాహన ఉందని మీరు అనుకోవచ్చు, కానీ వాస్తవానికి ఇది చాలా ఉపరితలం. దీనికి రుజువు ఏమిటంటే, మీరు వస్తువులను మూడు పిక్సెల్‌ల ద్వారా కదిలిస్తే, AI చాలా చెత్తగా ఆడుతుంది. మార్పులు అతన్ని కలవరపెడుతున్నాయి. ఇది లోతైన అవగాహనకు వ్యతిరేకం.
ఈ సమస్యను పరిష్కరించడానికి, మీరు క్లాసికల్ AIకి తిరిగి రావాలని ప్రతిపాదించారు. మనం ఏ ప్రయోజనాలను ఉపయోగించడానికి ప్రయత్నించాలి?
అనేక ప్రయోజనాలు ఉన్నాయి.
మొదట, క్లాసికల్ AI అనేది వాస్తవానికి ప్రపంచంలోని అభిజ్ఞా నమూనాలను రూపొందించడానికి ఒక ఫ్రేమ్‌వర్క్, దీని ఆధారంగా తీర్మానాలు చేయవచ్చు.
రెండవది, క్లాసికల్ AI నియమాలకు సంపూర్ణంగా అనుకూలంగా ఉంటుంది. ప్రస్తుతం లోతైన అభ్యాసంలో ఒక వింత ధోరణి ఉంది, ఇక్కడ నిపుణులు నియమాలను నివారించడానికి ప్రయత్నిస్తున్నారు. వారు న్యూరల్ నెట్‌వర్క్‌లలో ప్రతిదాన్ని చేయాలనుకుంటున్నారు మరియు క్లాసికల్ ప్రోగ్రామింగ్ లాగా ఏమీ చేయకూడదు. కానీ ఈ విధంగా ప్రశాంతంగా పరిష్కరించబడిన సమస్యలు ఉన్నాయి మరియు ఎవరూ దానిపై దృష్టి పెట్టలేదు. ఉదాహరణకు, Google Mapsలో మార్గాలను నిర్మించడం.
నిజానికి, మాకు రెండు విధానాలు అవసరం. డేటా నుండి నేర్చుకోవడంలో మెషిన్ లెర్నింగ్ మంచిది, కానీ కంప్యూటర్ ప్రోగ్రామ్ అయిన సంగ్రహణను సూచించడంలో చాలా తక్కువ. క్లాసిక్ AI అబ్‌స్ట్రాక్షన్‌లతో బాగా పనిచేస్తుంది, అయితే ఇది పూర్తిగా చేతితో ప్రోగ్రామ్ చేయబడాలి మరియు వాటన్నింటినీ ప్రోగ్రామ్ చేయడానికి ప్రపంచంలో చాలా జ్ఞానం ఉంది. స్పష్టంగా మనం రెండు విధానాలను కలపాలి.
ఇది మానవ మనస్సు నుండి మనం ఏమి నేర్చుకోవచ్చు అనే దాని గురించి మీరు మాట్లాడే అధ్యాయానికి సంబంధించినది. మరియు అన్నింటిలో మొదటిది, పైన పేర్కొన్న ఆలోచన ఆధారంగా మన స్పృహ వివిధ మార్గాల్లో పనిచేసే అనేక విభిన్న వ్యవస్థలను కలిగి ఉంటుంది.
దీన్ని వివరించడానికి మరొక మార్గం ఏమిటంటే, మనకు ఉన్న ప్రతి అభిజ్ఞా వ్యవస్థ నిజంగా భిన్నమైన సమస్యను పరిష్కరిస్తుంది. విభిన్న లక్షణాలను కలిగి ఉన్న విభిన్న సమస్యలను పరిష్కరించడానికి AI యొక్క సారూప్య భాగాలు తప్పనిసరిగా రూపొందించబడాలి.
ఇప్పుడు మేము ఒకదానికొకటి పూర్తిగా భిన్నమైన సమస్యలను పరిష్కరించడానికి కొన్ని ఆల్ ఇన్ వన్ టెక్నాలజీలను ఉపయోగించడానికి ప్రయత్నిస్తున్నాము. వాక్యాన్ని అర్థం చేసుకోవడం అనేది ఒక వస్తువును గుర్తించడం లాంటిది కాదు. కానీ ప్రజలు రెండు సందర్భాల్లోనూ లోతైన అభ్యాసాన్ని ఉపయోగించేందుకు ప్రయత్నిస్తున్నారు. అభిజ్ఞా దృక్కోణం నుండి, ఇవి గుణాత్మకంగా భిన్నమైన పనులు. డీప్ లెర్నింగ్ కమ్యూనిటీలో క్లాసికల్ AIకి ఎంత తక్కువ ప్రశంసలు ఉన్నాయో నేను ఆశ్చర్యపోయాను. వెండి బుల్లెట్ కనిపించే వరకు ఎందుకు వేచి ఉండాలి? ఇది సాధించలేనిది మరియు నిష్ఫలమైన శోధనలు AIని సృష్టించే పని యొక్క పూర్తి సంక్లిష్టతను అర్థం చేసుకోవడానికి అనుమతించవు.
కారణం-మరియు-ప్రభావ సంబంధాలను అర్థం చేసుకోవడానికి AI వ్యవస్థలు అవసరమని కూడా మీరు పేర్కొన్నారు. డీప్ లెర్నింగ్, క్లాసికల్ AI లేదా ఏదైనా పూర్తిగా కొత్తది దీనితో మాకు సహాయపడుతుందని మీరు భావిస్తున్నారా?
లోతైన అభ్యాసం సరిగ్గా సరిపోని మరొక ప్రాంతం ఇది. ఇది కొన్ని సంఘటనల కారణాలను వివరించదు, కానీ ఇచ్చిన పరిస్థితులలో ఈవెంట్ యొక్క సంభావ్యతను గణిస్తుంది.
మనం దేని గురించి మాట్లాడుతున్నాం? మీరు కొన్ని దృశ్యాలను చూస్తారు మరియు ఇది ఎందుకు జరుగుతుందో మరియు కొన్ని పరిస్థితులు మారితే ఏమి జరుగుతుందో మీరు అర్థం చేసుకుంటారు. నేను టీవీ కూర్చున్న స్టాండ్‌ని చూసి, దాని కాలు ఒకటి నరికితే స్టాండ్ బోల్తా పడుతుందని, టీవీ పడిపోతుందని ఊహించగలను. ఇది కారణం మరియు ప్రభావ సంబంధం.
క్లాసిక్ AI దీని కోసం మాకు కొన్ని సాధనాలను అందిస్తుంది. ఉదాహరణకు, మద్దతు అంటే ఏమిటి మరియు పతనం అంటే ఏమిటో అతను ఊహించగలడు. కానీ నేను అతిగా ప్రశంసించను. సమస్య ఏమిటంటే, క్లాసికల్ AI ఎక్కువగా ఏమి జరుగుతుందో పూర్తి సమాచారంపై ఆధారపడి ఉంటుంది మరియు నేను స్టాండ్‌ని చూడటం ద్వారా ఒక నిర్ణయానికి వచ్చాను. నేను ఏదో ఒకవిధంగా సాధారణీకరించగలను, నాకు కనిపించని స్టాండ్ యొక్క భాగాలను ఊహించవచ్చు. ఈ ప్రాపర్టీని అమలు చేయడానికి మా వద్ద ఇంకా సాధనాలు లేవు.
మనుషులకు సహజసిద్ధమైన జ్ఞానం ఉందని కూడా మీరు అంటున్నారు. AIలో దీన్ని ఎలా అమలు చేయవచ్చు?
పుట్టిన క్షణంలో, మన మెదడు ఇప్పటికే చాలా విస్తృతమైన వ్యవస్థ. ఇది స్థిరంగా లేదు; ప్రకృతి మొదటి, కఠినమైన చిత్తుప్రతిని సృష్టించింది. ఆపై నేర్చుకోవడం అనేది మన జీవితమంతా ఆ చిత్తుప్రతిని సవరించడంలో సహాయపడుతుంది.
మెదడు యొక్క కఠినమైన డ్రాఫ్ట్ ఇప్పటికే కొన్ని సామర్థ్యాలను కలిగి ఉంది. నవజాత పర్వత మేక కొన్ని గంటల్లోనే పర్వతప్రాంతం నుండి తప్పుగా దిగగలదు. అతను ఇప్పటికే త్రీడీ స్పేస్, అతని శరీరం మరియు వాటి మధ్య సంబంధం గురించి అవగాహన కలిగి ఉన్నాడని స్పష్టంగా తెలుస్తుంది. చాలా క్లిష్టమైన వ్యవస్థ.
దీనివల్ల మనకు సంకరజాతులు అవసరమని నేను నమ్ముతున్నాను. ఖాళీ స్లేట్‌తో ప్రారంభించి, సుదీర్ఘమైన, విస్తారమైన అనుభవం నుండి నేర్చుకునే బదులు, ఎక్కడ ప్రారంభించాలనే దానిపై సారూప్య పరిజ్ఞానం లేని ప్రపంచంలో బాగా పనిచేసే రోబోట్‌ను ఎలా సృష్టించగలరో ఊహించడం కష్టం.
మానవుల విషయానికొస్తే, మన సహజమైన జ్ఞానం మన జన్యువు నుండి వచ్చింది, ఇది చాలా కాలంగా అభివృద్ధి చెందింది. కానీ AI వ్యవస్థలతో మనం వేరే మార్గంలో వెళ్లాలి. ఇందులో భాగంగా మా అల్గారిథమ్‌లను రూపొందించడానికి నియమాలు ఉండవచ్చు. ఈ అల్గారిథమ్‌లు మానిప్యులేట్ చేసే డేటా స్ట్రక్చర్‌లను రూపొందించే నియమాలు ఇందులో భాగంగా ఉండవచ్చు. మరియు ఇందులో భాగంగా మనం నేరుగా మెషీన్లలో పెట్టుబడి పెడతామన్న జ్ఞానం ఉండవచ్చు.
పుస్తకంలో మీరు నమ్మకం మరియు విశ్వసనీయ వ్యవస్థల సృష్టి గురించి ఆలోచనను తీసుకురావడం ఆసక్తికరంగా ఉంది. మీరు ఈ ప్రత్యేక ప్రమాణాన్ని ఎందుకు ఎంచుకున్నారు?
ఈ రోజు ఇదంతా బాల్ గేమ్ అని నేను నమ్ముతున్నాను. నమ్మశక్యం కాని చాలా సాఫ్ట్‌వేర్‌లను విశ్వసిస్తూ చరిత్రలో ఒక విచిత్రమైన క్షణంలో జీవిస్తున్నామని నాకు అనిపిస్తోంది. ఈ రోజు మనకున్న చింతలు శాశ్వతంగా ఉండవని నేను భావిస్తున్నాను. వంద సంవత్సరాలలో, AI మన నమ్మకాన్ని సమర్థిస్తుంది మరియు బహుశా ముందుగానే.
కానీ నేడు AI ప్రమాదకరమైనది. ఎలోన్ మస్క్ భయపడే కోణంలో కాదు, ప్రోగ్రామర్లు ఏమి చేసినా ఉద్యోగ ఇంటర్వ్యూ వ్యవస్థలు మహిళల పట్ల వివక్ష చూపుతాయి, ఎందుకంటే వారి సాధనాలు చాలా సులభం.
మేము మెరుగైన AI కలిగి ఉండాలని నేను కోరుకుంటున్నాను. నేను "AI శీతాకాలం" చూడాలనుకోలేదు, ఇక్కడ AI పని చేయదని మరియు కేవలం ప్రమాదకరమైనదని మరియు దానిని సరిచేయకూడదని ప్రజలు గ్రహించారు.
కొన్ని మార్గాల్లో, మీ పుస్తకం చాలా ఆశాజనకంగా ఉంది. నమ్మదగిన AIని నిర్మించడం సాధ్యమవుతుందని మీరు ఊహిస్తారు. మనం వేరే దిశలో చూడాలి.
నిజమే, పుస్తకం స్వల్పకాలికంలో చాలా నిరాశావాదంగా మరియు దీర్ఘకాలికంగా చాలా ఆశాజనకంగా ఉంది. సరైన సమాధానాలు ఏమిటో విస్తృతంగా పరిశీలించడం ద్వారా మేము వివరించిన అన్ని సమస్యలను పరిష్కరించవచ్చని మేము విశ్వసిస్తున్నాము. మరియు ఇది జరిగితే, ప్రపంచం మంచి ప్రదేశంగా ఉంటుందని మేము భావిస్తున్నాము.
మూలం: www.habr.com