ಸ್ಕೇಲಿಂಗ್ ಬಗ್ಗೆ ಅನುಮಾನ ವ್ಯಕ್ತಪಡಿಸುವವರು AI ಅಭಿವೃದ್ಧಿಯನ್ನು ತಡೆಹಿಡಿದಿದ್ದಾರೆ ಎಂದು ಸ್ಯಾಮ್ ಆಲ್ಟ್ಮನ್ ಪ್ರತಿಪಾದಿಸಿದ್ದಾರೆ
OpenAI CEO ಸ್ಯಾಮ್ ಆಲ್ಟ್ಮನ್ ಸ್ಕೇಲಿಂಗ್ನ ಶಕ್ತಿಯನ್ನು ಮತ್ತಷ್ಟು ಬಲಪಡಿಸುತ್ತಿದ್ದಾರೆ. ಹಿಂದಿನ ತಲೆಮಾರಿನ ಸಂಶೋಧಕರು Large Language Models (LLMs) ಗಳ ಸಾಮರ್ಥ್ಯವನ್ನು ಕಡಿಮೆ ಅಂದಾಜಿಸುವ ಮೂಲಕ ಪ್ರಗತಿಯನ್ನು ಕುಂಠಿತಗೊಳಿಸಿದ್ದಾರೆ ಎಂದು ಅವರು ವಾದಿಸುತ್ತಿದ್ದಾರೆ. ಟ್ರಾನ್ಸ್ಫಾರ್ಮರ್ ಆರ್ಕಿಟೆಕ್ಚರ್ಗಳ (transformer architectures) ಮಿತಿಯ ಕುರಿತಾದ ಚರ್ಚೆ ತೀವ್ರಗೊಳ್ಳುತ್ತಿರುವಾಗ, ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಡೇಟಾದ ನಿರಂತರ ವಿಸ್ತರಣೆಯ ಪರವಾಗಿ ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆಗಳು ಬಲವಾಗಿ ಇವೆ ಎಂದು ಆಲ್ಟ್ಮನ್ ಪ್ರತಿಪಾದಿಸಿದ್ದಾರೆ.
ಬೌದ್ಧಿಕ ಪಟ್ಟುಹಿಡಿಯುವಿಕೆಯ ವೆಚ್ಚ
ಇತ್ತೀಚೆಗೆ ಸ್ಟ್ಯಾನ್ಫೋರ್ಡ್ನಲ್ಲಿ ನಡೆದ ಕಾರ್ಯಕ್ರಮವೊಂದರಲ್ಲಿ, ಆಲ್ಟ್ಮನ್ ಸ್ಕೇಲಿಂಗ್ ಬೆಂಬಲಿಗರು ಮತ್ತು ಅನುಮಾನಾಸ್ಪದರ ನಡುವಿನ ಘರ್ಷಣೆಯನ್ನು ಚರ್ಚಿಸಿದರು. ವಿಶೇಷವಾಗಿ ಮೆಟಾ (Meta) ಸಂಸ್ಥೆಯ ಯಾನ್ ಲೆಕುನ್ (Yann LeCun) ಅವರಂತಹ ವಿಮರ್ಶಕರನ್ನು ಉಲ್ಲೇಖಿಸಿದ ಅವರು, ಲೆಕುನ್ ಅವರು LLMಗಳನ್ನು "ಅಂತ್ಯದ ಹಾದಿ" (dead end) ಎಂದು ಕರೆದಿದ್ದನ್ನು ನೆನಪಿಸಿದರು. ಸ್ಕೇಲಿಂಗ್ ಪರಿಕಲ್ಪನೆಗೆ ಇರುವ ಹೆಚ್ಚಿನ ಪ್ರತಿರೋಧವು, AI ಏನನ್ನು ಮಾಡಲಾರದು ಎಂಬ ತಮ್ಮ ಮುನ್ಸೂಚನೆಗಳ ಬಗ್ಗೆ ಸಂಶೋಧಕರು ಅತಿಯಾದ ಆತ್ಮವಿಶ್ವಾಸ ಹೊಂದಿದ್ದರಿಂದ ಉಂಟಾಗುತ್ತಿದೆ ಎಂದು ಆಲ್ಟ್ಮನ್ ಸೂಚಿಸಿದ್ದಾರೆ.
ಕೆಲವು ಉದ್ಯಮದ ಪ್ರಮುಖ ವ್ಯಕ್ತಿಗಳು ತಮ್ಮ ವೃತ್ತಿಪರ ಗುರುತನ್ನು ನಿರ್ದಿಷ್ಟ ಸೈದ್ಧಾಂತಿಕ ನಿಲುವುಗಳಿಗೆ ಜೋಡಿಸಿಕೊಂಡಿದ್ದಾರೆ, ಇದರಿಂದಾಗಿ ಅವರ ದೀರ್ಘಕಾಲದ ನಂಬಿಕೆಗಳಿಗೆ ವಿರುದ್ಧವಾಗಿರುವ ಹೊಸ ಡೇಟಾವನ್ನು ಅವರು ಸ್ವೀಕರಿಸಲು ಹಿಂಜರಿಯುತ್ತಿದ್ದಾರೆ ಎಂದು ಅವರು ವಾದಿಸಿದರು. ರೋಬೊಟಿಕ್ಸ್ನಂತಹ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ ಪ್ರಗತಿ ಸಾಧಿಸಲು "ವರ್ಲ್ಡ್ ಮಾಡೆಲ್ಗಳು" (world models) ಅತ್ಯಗತ್ಯ ಎಂಬುದನ್ನು ಒಪ್ಪಿಕೊಂಡರೂ, LLMಗಳ ಪ್ರಸ್ತುತ ಹಾದಿಯು ಯಾವುದೇ ಪರ್ಯಾಯ ಮಾರ್ಗವಲ್ಲ, ಬದಲಾಗಿ ಇದು ಬುದ್ಧಿವಂತಿಕೆಯ ಪ್ರಾಥಮಿಕ ಇಂಜಿನ್ ಆಗಿದೆ ಎಂದು ಆಲ್ಟ್ಮನ್ ಪ್ರತಿಪಾದಿಸುತ್ತಾರೆ.
ಪ್ರಾಯೋಗಿಕ ಪುರಾವೆ: ಪ್ಯಾಟರ್ನ್ ಮ್ಯಾಚಿಂಗ್ನಿಂದ ಮುಂದೆ ಸಾಗುವುದು
ಸ್ಕೇಲಿಂಗ್ ಅನ್ನು ಸಮರ್ಥಿಸುವಲ್ಲಿ ಆಲ್ಟ್ಮನ್ ನೀಡಿದ ಅತ್ಯಂತ ಪ್ರಮುಖ ಅಂಶವೆಂದರೆ, LLMಗಳು ಕೇವಲ ಪಠ್ಯವನ್ನು ಊಹಿಸುವ ಸಾಧನಗಳಿಂದ (text predictors) ಮೂಲತಃ ತಾರ್ಕಿಕವಾಗಿ ಯೋಚಿಸಬಲ್ಲ (original reasoning) ಸಾಧನಗಳಾಗಿ ಬದಲಾಗುತ್ತಿರುವುದು. ಇತ್ತೀಚಿನ ಒಂದು ಮೈಲಿಗಲ್ಲನ್ನು ಉಲ್ಲೇಖಿಸಿದ ಅವರು, ಮಾನವ ತಜ್ಞರಿಂದ ದೀರ್ಘಕಾಲದವರೆಗೆ ಪರಿಹರಿಸಲಾಗದ ಗಣಿತದ ಕಲ್ಪನೆಯನ್ನು (mathematical conjecture) ಒಂದು OpenAI ಮಾಡೆಲ್ ಯಶಸ್ವಿಯಾಗಿ ಸುಳ್ಳೆಂದು ಸಾಬೀತುಪಡಿಸಿದೆ ಎಂದು ತಿಳಿಸಿದರು.
ಈ ಬೆಳವಣಿಗೆಯು ಬಹಳ ಮುಖ್ಯವಾಗಿದೆ, ಏಕೆಂದರೆ ಇದು LLMಗಳು ಕೇವಲ "ಸ್ಟೋಕ್ಯಾಸ್ಟಿಕ್ ಪ್ಯಾರೆಟ್ಸ್" (stochastic parrots - ಅಂದರೆ ಕೇವಲ ಮಾದರಿಯನ್ನು ಅನುಕರಿಸುವಗಳು) ಮತ್ತು ನಿಜವಾದ ಸಂಶೋಧನೆ ಮಾಡಲು ಅಸಮರ್ಥ ಎಂಬ ವಾದವನ್ನು ಸವಾಲು ಮಾಡುತ್ತದೆ. "ಹಾಗಾಗಿ, LLMಗಳು ಹೊಸ ಜ್ಞಾನವನ್ನು ಕಂಡುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವನ್ನು ಹೊಂದಿವೆ ಎಂಬುದು ಸ್ಪಷ್ಟವಾಗಿದೆ," ಎಂದು ಹೇಳಿದ ಆಲ್ಟ್ಮನ್, AI ಚಾಲಿತ ಪುರಾವೆಗಳ ಪರಿಣಾಮಗಳ ಬಗ್ಗೆ ಗಣಿತ ಸಮುದಾಯವು ಈಗ ಸಕ್ರಿಯವಾಗಿ ಚಿಂತಿಸುತ್ತಿದೆ ಎಂದು ಗಮನಿಸಿದರು. ಈ ಬದಲಾವಣೆಯು ಸ್ಕೇಲಿಂಗ್ ಕೇವಲ ಭಾಷಾ ಪ್ರೌಢತೆಯನ್ನು ಸುಧಾರಿಸುವುದಿಲ್ಲ; ಬದಲಾಗಿ ಇದು ಜ್ಞಾನಾತ್ಮಕ ಸಾಮರ್ಥ್ಯದ (cognitive capability) ವ್ಯಾಪ್ತಿಯನ್ನು ವಿಸ್ತರಿಸುತ್ತದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ.
ಮುಂದಿನ ಮೈಲಿಗಲ್ಲು: ತಾರ್ಕಿಕತೆ ಮತ್ತು ದೀರ್ಘಾವಧಿಯ ಕಾರ್ಯಗಳ ನಡುವಿನ ವ್ಯತ್ಯಾಸ
ತನ್ನ ಆಶಾವಾದದ ನಡುವೆಯೂ, ತಂತ್ರಜ್ಞಾನದ ಪ್ರಸ್ತುತ ಮಿತಿಗಳ ಬಗ್ಗೆ ಆಲ್ಟ್ಮನ್ ವಾಸ್ತವತಾವಸ್ಥೆಯನ್ನು ಎದುರಿಸುತ್ತಿದ್ದಾರೆ. "ಲಾಂಗ್-ಹರೈಜನ್ ಟಾಸ್ಕ್ಗಳ" (long-horizon tasks) ವಿಷಯದಲ್ಲಿ, ಅಂದರೆ ದೀರ್ಘಾವಧಿಯಲ್ಲಿ ನಿರಂತರ ಉನ್ನತ ಮಟ್ಟದ ನಿರ್ಧಾರ ಮತ್ತು ಬಹು-ಹಂತದ ಯೋಜನೆಯನ್ನು ಬಯಸುವ ಸಂಕೀರ್ಣ ಕೆಲಸಗಳಲ್ಲಿ ಪ್ರದರ್ಶನದಲ್ಲಿ ಸ್ಪಷ್ಟ ವ್ಯತ್ಯಾಸವಿದೆ ಎಂದು ಅವರು ಗಮನಿಸಿದರು. ಈ ನಿರ್ದಿಷ್ಟ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ, LLMಗಳು ಇನ್ನೂ "ಮನುಷ್ಯರಿಗಿಂತ ತುಂಬಾ ಕಳಪೆಯಾಗಿ ಕಾಣಿಸುತ್ತವೆ" ಎಂದು ಅವರು ಒಪ್ಪಿಕೊಂಡರು.
ವಿಶಾಲವಾದ AI ಕ್ಷೇತ್ರಕ್ಕೆ, ಈ ವ್ಯತ್ಯಾಸವು ಸಂಶೋಧನೆಯ ಮುಂದಿನ ಮೈಲಿಗಲ್ಲನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ಉದ್ಯಮವು "ಜ್ಞಾನಕ್ಕಾಗಿ ಸ್ಕೇಲಿಂಗ್" ಮಾಡುವ ಹಂತದಿಂದ "ತಾರ್ಕಿಕತೆ ಮತ್ತು ಏಜೆನ್ಸಿಗಾಗಿ ಸ್ಕೇಲಿಂಗ್" ಮಾಡುವ ಹಂತಕ್ಕೆ ಸಾಗುತ್ತಿದೆ. OpenAI ಮತ್ತು Anthropic (CEO ಡಾರಿಯೊ ಅಮೊಡೆಯವರ ನೇತೃತ್ವದಲ್ಲಿರುವ, ಇವರು ಕೂಡ ಆಲ್ಟ್ಮನ್ ಅವರ ಸ್ಕೇಲಿಂಗ್ ನಂಬಿಕೆಯನ್ನು ಹಂಚಿಕೊಳ್ಳುತ್ತಾರೆ) ನಂತಹ ಕಂಪನಿಗಳು ಕಂಪ್ಯೂಟ್ ಮೇಲೆ ಶತಕೋಟಿಗಳನ್ನು ಹೂಡಿಕೆ ಮಾಡುತ್ತಿರುವುದರಿಂದ, ಕ್ಷಣಿಕ ಬುದ್ಧಿವಂತಿಕೆ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹ, ದೀರ್ಘಕಾಲದ ಸ್ವಾಯತ್ತತೆಯ ನಡುವಿನ ಅಂತರವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು ಇದರ ಗುರಿಯಾಗಿದೆ.
ಪ್ರಮುಖ ಅಂಶಗಳು
- ಸ್ಕೇಲಿಂಗ್ ಪ್ರಮುಖ ಚಾಲಕ ಶಕ್ತಿ: ಹೆಚ್ಚಿದ ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಡೇಟಾದ ಪ್ರಭಾವವನ್ನು ಕಡಿಮೆ ಅಂದಾಜಿಸುವುದು ಐತಿಹಾಸಿಕವಾಗಿ AI ಸಂಶೋಧನೆಗಳ ವೇಗವನ್ನು ಕುಂಠಿತಗೊಳಿಸಿದೆ ಎಂದು ಆಲ್ಟ್ಮನ್ ವಾದಿಸುತ್ತಾರೆ.
- ಅನುಕರಣೆಗಿಂತ ಸಂಶೋಧನೆ ಮುಖ್ಯ: ಸಂಕೀರ್ಣ ಗಣಿತದ ಕಲ್ಪನೆಗಳನ್ನು ಪರಿಹರಿಸುವ OpenAI ಮಾಡೆಲ್ಗಳ ಸಾಮರ್ಥ್ಯವು, LLMಗಳು ನಿಜವಾದ ಜ್ಞಾನ ಸೃಷ್ಟಿಯತ್ತ ಸಾಗುತ್ತಿವೆ ಎಂಬುದನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ.
- ಮುಂದಿನ ಅಡಚಣೆ: ಸ್ಕೇಲಿಂಗ್ ಅನೇಕ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸಿದರೂ, ದೀರ್ಘಾವಧಿಯ ಮತ್ತು ಹೆಚ್ಚಿನ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವ ಅಗತ್ಯವಿರುವ ಕಾರ್ಯಗಳಲ್ಲಿ ಮಾನವ ಮಟ್ಟದ ಪ್ರದರ್ಶನವನ್ನು ಸಾಧಿಸುವುದು ಉದ್ಯಮದ ಮುಂದಿನ ದೊಡ್ಡ ಸವಾಲಾಗಿದೆ.