AGI से ASI तक: Google DeepMind के नवीनतम पेपर का सारांश
अधिकांश लोग आर्टिफिशियल जनरल इंटेलिजेंस (AGI) के बारे में उत्साह या डर के साथ बात करते हैं। आर्टिफिशियल सुपरइंटेलिजेंस (ASI) पर चर्चा करना और भी कठिन है।
Google DeepMind का एक नया पेपर एक बेहतर सवाल पूछता है। यह पूछने के बजाय कि AGI कब आएगा, यह पूछता है: AGI के बाद क्या होगा?
यदि हम ऐसी AI बनाते हैं जो मानवीय क्षमता के बराबर हो, तो यह तब तक कैसे सुधार करती रहेगी जब तक कि यह मानव विशेषज्ञों के पूरे समूहों से बेहतर प्रदर्शन न करने लगे?
इंजीनियरों और डेवलपर्स के लिए यहाँ एक सरल विवरण दिया गया है।
अंतर
• AGI: एक AI सिस्टम जो कई कार्यों में एक औसत मानव के स्तर पर प्रदर्शन करता है। यह सीख सकता है, तर्क कर सकता है और विविध समस्याओं को हल कर सकता है। • ASI: एक AI सिस्टम जो लगभग सभी महत्वपूर्ण क्षेत्रों में मानव विशेषज्ञों के बड़े समूहों से बेहतर प्रदर्शन करता है।
शतरंज में इंसान को हराने वाला मॉडल ASI नहीं है। ASI एक ऐसा कृत्रिम सिस्टम है जो रिसर्च लैब्स और पूरी कंपनियों से बेहतर प्रदर्शन कर सकता है।
AI इंसानों से अलग तरह से क्यों स्केल करता है
मनुष्यों की जैविक सीमाएँ होती हैं। हम अपनी नकल नहीं कर सकते या अपने दिमाग के हज़ार वर्ज़न समानांतर (parallel) रूप से नहीं चला सकते। AI में ये बाधाएँ नहीं हैं।
AI कई लाभ प्रदान करता है:
- मशीन की गति: AI जैविक मस्तिष्क की तुलना में बहुत तेज़ी से डेटा प्रोसेस करता है।
- रीजनिंग स्केल: आप किसी मॉडल को लंबे समय तक सोचने के लिए अधिक कंप्यूट दे सकते हैं या कई इंस्टेंस समानांतर में चला सकते हैं।
- मेमोरी: AI विशाल डेटाबेस और अनंत कॉन्टेक्स्ट विंडोज़ (context windows) से जुड़ सकता है।
- डुप्लीकेशन: आप एक सक्षम AI रिसर्चर की लाखों प्रतियां चला सकते हैं।
ASI तक पहुँचने के चार रास्ते
- स्केलिंग: अधिक डेटा, अधिक कंप्यूट और बेहतर हार्डवेयर का उपयोग करना।
- एल्गोरिद्मिक बदलाव: नए आर्किटेक्चर, बेहतर मेमोरी सिस्टम या अधिक कुशल सीखने के तरीके खोजना।
- रिकर्सिव सेल्फ-इम्प्रूवमेंट: AI को बेहतर AI रिसर्च करने और बनाने में मदद करना। यह एक फीडबैक लूप बनाता है।
- मल्टी-एजेंट सिस्टम: एक बड़े संगठन की तरह मिलकर काम करने वाले कई विशेषज्ञ AI एजेंट।
हमें क्या धीमा कर सकता है?
प्रगति की गारंटी नहीं है। कई बाधाएँ मौजूद हैं:
- डेटा की सीमाएँ: हमारे पास उच्च गुणवत्ता वाले मानवीय डेटा की कमी हो सकती है।
- भौतिक सीमाएँ: स्केलिंग के लिए भारी मात्रा में बिजली, चिप्स और हार्डवेयर की आवश्यकता होती है।
- रिसर्च की कठिनाई: जैसे-जैसे AI परिपक्व होता है, हल करने वाली समस्याएँ कठिन हो सकती हैं।
- मानवीय हस्तक्षेप: सुरक्षा, नियमन और राजनीति विकास को धीमा कर सकती है।
निष्कर्ष
AGI से ASI की ओर बढ़ना केवल एक शोध की समस्या नहीं है। यह एक इंजीनियरिंग चुनौती है। इसमें डिस्ट्रिब्यूटेड सिस्टम्स, इंफ्रास्ट्रक्चर और जटिल ऑर्केस्ट्रेशन शामिल होंगे।
यदि आप एक डेवलपर हैं, तो इन क्षेत्रों पर ध्यान केंद्रित करें:
- विश्वसनीय AI एजेंट कैसे बनाएँ।
- कई एजेंटों के बीच समन्वय कैसे करें।
- दीर्घकालिक कार्यों का मूल्यांकन कैसे करें।
- सुरक्षा और नियंत्रण कैसे सुनिश्चित करें।
स्रोत: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd