AGI कडून ASI कडे: Google DeepMind च्या नवीनतम शोधनिबंधाचा सारांश
बहुतेक लोक Artificial General Intelligence (AGI) बद्दल अतिशयोक्ती किंवा भीतीपोटी बोलतात. Artificial Superintelligence (ASI) बद्दल चर्चा करणे त्याहूनही कठीण आहे.
Google DeepMind चा एक नवीन शोधनिबंध (paper) अधिक चांगला प्रश्न विचारतो. AGI कधी येईल हे विचारण्याऐवजी, तो विचारतो: AGI नंतर काय होईल?
जर आपण मानवी क्षमतेशी जुळणारे AI तयार केले, तर ते मानवी तज्ज्ञांच्या संपूर्ण गटांना मागे टाकण्यापर्यंत स्वतःमध्ये सतत सुधारणा कशी करत राहील?
इंजिनिअर्स आणि डेव्हलपर्ससाठी याचा सोपा तपशील खालीलप्रमाणे आहे.
फरक (The Difference)
• AGI: एक अशी AI प्रणाली जी अनेक कामांमध्ये एका सामान्य मानवाच्या पातळीवर काम करते. ती शिकू शकते, तर्क करू शकते आणि विविध समस्या सोडवू शकते. • ASI: एक अशी AI प्रणाली जी जवळजवळ सर्व महत्त्वाच्या क्षेत्रांमध्ये मानवी तज्ज्ञांच्या मोठ्या गटांना मागे टाकते.
बुद्धिबळात मानवाला हरवणारे मॉडेल म्हणजे ASI नाही. ASI ही एक कृत्रिम प्रणाली आहे जी संशोधन प्रयोगशाळा आणि संपूर्ण कंपन्यांच्या क्षमतेपेक्षा श्रेष्ठ असू शकते.
AI मानवापेक्षा वेगळ्या पद्धतीने का विस्तारते (scales)?
मानवांना जैविक मर्यादा आहेत. आपण स्वतःची प्रत तयार करू शकत नाही किंवा आपल्या मेंदूच्या हजारो आवृत्त्या समांतरपणे (in parallel) चालवू शकत नाही. AI ला अशा मर्यादा नाहीत.
AI चे अनेक फायदे आहेत:
- मशीनचा वेग (Machine speed): AI जैविक मेंदूच्या तुलनेत डेटा खूप वेगाने प्रक्रिया करते.
- तर्काचा विस्तार (Reasoning scale): तुम्ही मॉडेलला अधिक वेळ विचार करण्यासाठी अधिक 'compute' देऊ शकता किंवा अनेक आवृत्त्या समांतरपणे चालवू शकता.
- मेमरी (Memory): AI अवाढव्य डेटाबेस आणि अनंत 'context windows' शी जोडले जाऊ शकते.
- पुनरुत्पादन (Duplication): तुम्ही एका सक्षम AI संशोधकाच्या लाखो प्रती चालवू शकता.
ASI कडे जाण्याचे चार मार्ग
- स्केलिंग (Scaling): अधिक डेटा, अधिक 'compute' आणि अधिक चांगले हार्डवेअर वापरणे.
- अल्गोरिदमिक बदल (Algorithmic shifts): नवीन आर्किटेक्चर, अधिक चांगल्या मेमरी सिस्टम किंवा अधिक कार्यक्षम शिक्षण पद्धती शोधणे.
- रिकर्सिव्ह सेल्फ-इम्प्रूव्हमेंट (Recursive self-improvement): AI ला अधिक चांगले AI शोधण्यात आणि तयार करण्यात मदत करणे. यामुळे एक 'फीडबॅक लूप' तयार होतो.
- मल्टी-एजंट सिस्टम्स (Multi-agent systems): एका मोठ्या संस्थेप्रमाणे अनेक विशेषीकृत AI एजंट्स एकत्र काम करणे.
आपल्या प्रगतीला काय खीळ घालू शकते?
प्रगतीची खात्री नाही. अनेक अडथळे (bottlenecks) अस्तित्वात आहेत:
- डेटाच्या मर्यादा: आपल्याकडे उच्च-गुणवत्तेचा मानवी डेटा संपू शकतो.
- भौतिक मर्यादा: स्केलिंगसाठी मोठ्या प्रमाणात वीज, चिप्स आणि हार्डवेअरची आवश्यकता असते.
- संशोधनातील कठीणता: जसे AI प्रगत होईल, तसे सोडवायचे प्रश्न अधिक कठीण होऊ शकतात.
- मानवी हस्तक्षेप: सुरक्षा, नियमन आणि राजकारण विकास प्रक्रियेला संथ करू शकते.
निष्कर्ष (The Takeaway)
AGI कडून ASI कडे जाणारा प्रवास केवळ एक संशोधन समस्या नाही. हे एक अभियांत्रिकी आव्हान आहे. यामध्ये वितरित प्रणाली (distributed systems), पायाभूत सुविधा (infrastructure) आणि जटिल ऑर्केस्ट्रेशन (complex orchestration) यांचा समावेश असेल.
जर तुम्ही डेव्हलपर असाल, तर या क्षेत्रांवर लक्ष केंद्रित करा:
- विश्वसनीय AI एजंट्स कसे तयार करायचे.
- अनेक एजंट्समध्ये समन्वय कसा साधायचा.
- दीर्घकालीन कार्यांचे मूल्यमापन कसे करायचे.
- सुरक्षा आणि नियंत्रण कसे सुनिश्चित करायचे.
स्रोत: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd