AGI-ൽ നിന്ന് ASI-ലേക്ക്: Google DeepMind-ന്റെ ഏറ്റവും പുതിയ പേപ്പറിന്റെ ഒരു സംഗ്രഹം
മിക്ക ആളുകളും Artificial General Intelligence (AGI)-നെ കുറിച്ച് സംസാരിക്കുന്നത് വലിയ ആവേശത്തോടുകൂടിയോ അല്ലെങ്കിൽ ഭയത്തോടുകൂടിയോ ആണ്. Artificial Superintelligence (ASI)-നെ കുറിച്ച് ചർച്ച ചെയ്യുന്നത് അതിലും പ്രയാസകരമാണ്.
Google DeepMind-ന്റെ പുതിയൊരു പേപ്പർ കൂടുതൽ മികച്ചൊരു ചോദ്യമാണ് ചോദിക്കുന്നത്. AGI എപ്പോൾ വരും എന്ന് ചോദിക്കുന്നതിന് പകരം, അത് ചോദിക്കുന്നത്: AGI വന്നതിന് ശേഷം എന്ത് സംഭവിക്കും? എന്നാണ്.
മനുഷ്യന്റെ കഴിവിനോട് കിടപിടിക്കുന്ന രീതിയിലുള്ള AI നമ്മൾ നിർമ്മിച്ചാൽ, അത് മനുഷ്യരായ വിദഗ്ധരുടെ വലിയ കൂട്ടങ്ങളെപ്പോലും മറികടക്കുന്നത് വരെ എങ്ങനെ മെച്ചപ്പെട്ടുകൊണ്ടിരിക്കും?
എഞ്ചിനീയർമാർക്കും ഡെവലപ്പർമാർക്കുമായുള്ള ലളിതമായ ഒരു വിവരണം ഇതാ.
വ്യത്യാസം
• AGI: പല ജോലികളിലും ഒരു ശരാശരി മനുഷ്യന്റെ നിലവാരത്തിൽ പ്രവർത്തിക്കുന്ന ഒരു AI സിസ്റ്റം. ഇതിന് പഠിക്കാനും യുക്തിസഹമായി ചിന്തിക്കാനും വൈവിധ്യമാർന്ന പ്രശ്നങ്ങൾ പരിഹരിക്കാനും കഴിയും. • ASI: മിക്കവാറും എല്ലാ പ്രധാന മേഖലകളിലും മനുഷ്യരായ വിദഗ്ധരുടെ വലിയ കൂട്ടങ്ങളെപ്പോലും മറികടക്കുന്ന ഒരു AI സിസ്റ്റം.
ചെസ്സിൽ ഒരു മനുഷ്യനെ തോൽപ്പിക്കുന്ന മോഡൽ ASI അല്ല. ഗവേഷണ ലാബുകളെയും മുഴുവൻ കമ്പനികളെയും പോലും മറികടക്കാൻ കഴിയുന്ന ഒരു കൃത്രിമ സംവിധാനമാണ് ASI.
എന്തുകൊണ്ടാണ് AI മനുഷ്യരിൽ നിന്ന് വ്യത്യസ്തമായി വളരുന്നത്
മനുഷ്യർക്ക് ജൈവികമായ പരിമിതികളുണ്ട്. നമുക്ക് നമ്മളെത്തന്നെ പകർത്തിയെടുക്കാനോ നമ്മുടെ മനസ്സിന്റെ ആയിരം പതിപ്പുകൾ ഒരേസമയം പ്രവർത്തിപ്പിക്കാനോ കഴിയില്ല. എന്നാൽ AI-ക്ക് ഇത്തരം നിയന്ത്രണങ്ങളില്ല.
AI പല ഗുണങ്ങളും വാഗ്ദാനം ചെയ്യുന്നു:
- മെഷീൻ സ്പീഡ്: ജൈവികമായ തലച്ചോറിനേക്കാൾ വളരെ വേഗത്തിൽ AI ഡാറ്റ പ്രോസസ്സ് ചെയ്യുന്നു.
- റീസണിംഗ് സ്കെയിൽ: കൂടുതൽ ചിന്തിക്കാൻ ഒരു മോഡലിന് കൂടുതൽ കമ്പ്യൂട്ട് പവർ നൽകാനോ അല്ലെങ്കിൽ ഒരേസമയം നിരവധി ഇൻസ്റ്റൻസുകൾ പ്രവർത്തിപ്പിക്കാനോ കഴിയും.
- മെമ്മറി: വലിയ ഡാറ്റാബേസുകളുമായും അനന്തമായ കോൺടെക്സ്റ്റ് വിൻഡോകളുമായും ബന്ധപ്പെടാൻ AI-ക്ക് കഴിയും.
- ഡ്യൂപ്ലിക്കേഷൻ: കഴിവുള്ള ഒരു AI ഗവേഷകന്റെ ദശലക്ഷക്കണക്കിന് പകർപ്പുകൾ നിങ്ങൾക്ക് പ്രവർത്തിപ്പിക്കാൻ കഴിയും.
ASI-ലേക്കുള്ള നാല് വഴികൾ
- സ്കെയിലിംഗ്: കൂടുതൽ ഡാറ്റ, കൂടുതൽ കമ്പ്യൂട്ട്, മികച്ച ഹാർഡ്വെയർ എന്നിവ ഉപയോഗിക്കുക.
- അൽഗോരിതമിക് മാറ്റങ്ങൾ: പുതിയ ആർക്കിടെക്ചറുകൾ, മികച്ച മെമ്മറി സംവിധാനങ്ങൾ അല്ലെങ്കിൽ കൂടുതൽ കാര്യക്ഷമമായ പഠന രീതികൾ കണ്ടെത്തുക.
- റിക്കേഴ്സീവ് സെൽഫ് ഇംപ്രൂവ്മെന്റ്: മികച്ച AI ഗവേഷണം ചെയ്യാനും നിർമ്മിക്കാനും AI തന്നെ സഹായിക്കുന്നു. ഇത് ഒരു ഫീഡ്ബാക്ക് ലൂപ്പ് സൃഷ്ടിക്കുന്നു.
- മൾട്ടി-ഏജന്റ് സിസ്റ്റംസ്: ഒരു വലിയ സ്ഥാപനം പോലെ ഒന്നിച്ച് പ്രവർത്തിക്കുന്ന നിരവധി പ്രത്യേക AI ഏജന്റുകൾ.
എന്തൊക്കെയാണ് നമ്മുടെ മുന്നോട്ടുള്ള യാത്രയെ തടസ്സപ്പെടുത്താൻ സാധ്യതയുള്ളത്?
പുരോഗതി ഉറപ്പായ ഒന്നല്ല. ചില തടസ്സങ്ങൾ നിലവിലുണ്ട്:
- ഡാറ്റാ പരിധികൾ: ഉയർന്ന നിലവാരമുള്ള മനുഷ്യ ഡാറ്റ നമുക്ക് ലഭ്യമല്ലാതാകാം.
- ഭൗതിക പരിധികൾ: സ്കെയിലിംഗിന് വൻതോതിലുള്ള വൈദ്യുതി, ചിപ്പുകൾ, ഹാർഡ്വെയർ എന്നിവ ആവശ്യമാണ്.
- ഗവേഷണ ബുദ്ധിമുട്ടുകൾ: AI വളരുന്നതിനനുസരിച്ച്, പരിഹരിക്കേണ്ട പ്രശ്നങ്ങൾ കൂടുതൽ കഠിനമായേക്കാം.
- മനുഷ്യ ഇടപെടലുകൾ: സുരക്ഷ, നിയന്ത്രണങ്ങൾ, രാഷ്ട്രീയം എന്നിവ വികസനത്തെ സാവധാനത്തിലാക്കിയേക്കാം.
ചുരുക്കത്തിൽ
AGI-യിൽ നിന്ന് ASI-യിലേക്കുള്ള മാറ്റം വെറുമൊരു ഗവേഷണ പ്രശ്നം മാത്രമല്ല. ഇതൊരു എഞ്ചിനീയറിംഗ് വെല്ലുവിളിയാണ്. ഇതിൽ distributed systems, ഇൻഫ്രാസ്ട്രക്ചർ, സങ്കീർണ്ണമായ ഓർക്കസ്ട്രേഷൻ എന്നിവ ഉൾപ്പെടും.
നിങ്ങൾ ഒരു ഡെവലപ്പർ ആണെങ്കിൽ, ഈ മേഖലകളിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക:
- വിശ്വസനീയമായ AI ഏജന്റുകളെ എങ്ങനെ നിർമ്മിക്കാം.
- നിരവധി ഏജന്റുകളെ എങ്ങനെ ഏകോപിപ്പിക്കാം.
- ദീർഘകാല ടാസ്ക്കുകൾ എങ്ങനെ വിലയിരുത്താം.
- സുരക്ഷയും നിയന്ത്രണവും എങ്ങനെ ഉറപ്പാക്കാം.
സ്രോതസ്സ്: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd