சாட்பாட்களுக்கு அப்பால்: AI ஏன் பதிலளிப்பதிலிருந்து செயல்படுத்துவதற்கு மாற வேண்டும்

எதிர்வினை ஆற்றும் (reactive) AI-ன் காலம் முடிவுக்கு வருகிறது. வெறும் நம்பகமான உரையை உருவாக்கும் Large Language Models (LLMs)-லிருந்து, நிலையான டிஜிட்டல் சூழல்களில் சிக்கலான, பல படிநிலைகளைக் கொண்ட பணிப்பாய்வுகளை (workflows) செயல்படுத்தும் திறன் கொண்ட தன்னாட்சி முகவர்களாக (autonomous agents) நாம் மாறி வருகிறோம்.

வேகமான உள்ளுணர்விலிருந்து மெதுவான பகுத்தறிவிற்கு

AI-ன் தற்போதைய பரிணாமம், கணக்கீட்டு தர்க்கத்தில் (computational logic) ஏற்பட்டுள்ள ஒரு அடிப்படை மாற்றத்தால் வரையறுக்கப்படுகிறது. பாரம்பரிய சாட்பாட்கள் "System 1" சிந்தனையின் அடிப்படையில் இயங்கின—அதாவது புள்ளிவிவர நிகழ்தகவின் அடிப்படையில் வேகமான, உள்ளுணர்வு சார்ந்த மற்றும் டோக்கன் வாரியான உருவாக்கம். இந்த மாதிரிகள் உடனடி பதில்களை வழங்கின, ஆனால் அவற்றின் சொந்த தர்க்கத்தை சரிபார்க்கவோ அல்லது இடையில் ஏற்படும் பிழைகளைத் திருத்திக் கொள்ளவோ கூடிய திறன் அவற்றுக்கு இல்லை.

OpenAI-ன் o1 மற்றும் DeepSeek-R1 போன்ற மாதிரிகளால் முன்னெடுக்கப்படும் "thinking LLMs"-ன் வருகை, "System 2" பகுத்தறிவை அறிமுகப்படுத்தியுள்ளது. அனுமான நேரத்தின்දී (inference time) அதிக கணக்கீட்டுத் திறனைப் பயன்படுத்துவதன் மூலம், இந்த மாதிரிகள் வலுவூட்டல் கற்றலை (reinforcement learning) பயன்படுத்தி நீண்ட சிந்தனைச் சங்கிலிகளை (chains of thought) உருவாக்குகின்றன. அவை தீர்வுகளுக்கான பாதைகளை ஆராய்கின்றன, இடைநிலை படிகளைச் சரிபார்க்கின்றன மற்றும் சுயதிருத்தம் செய்கின்றன, இதன் மூலம் சரிபார்க்கப்பட்ட சரியான தீர்வுகள் மட்டுமே வழங்கப்படுவதை உறுதி செய்கின்றன. ஒரு மாதிரியைத் தேடுபொறியின் மாற்றாகப் பயன்படுத்துவதிலிருந்து, ஒரு பகுத்தறிவு இயந்திரமாக (reasoning engine) மாற்றுவதற்கான முதல் படியே இந்த மாற்றம் ஆகும்.

OpenClaw யுகம்: Workspace மற்றும் Skill ஒருங்கிணைப்பு

பகுத்தறிவு முக்கியமானது என்றாலும், பகுத்தறிவு மட்டுமே வேலையை முடித்துவிடாது. அடுத்த முக்கிய முன்னேற்றமான "OpenClaw" யுகத்திற்கு, நிலையற்ற, ஒருமுறை மட்டுமே பயன்படுத்தப்படும் கருவி அழைப்புகளிலிருந்து (one-off tool calls), நிலையான மற்றும் பாதுகாப்பான workspaces-களுக்கு மாறுவது அவசியம் என்று ஆராய்ச்சியாளர்கள் வாதிடுகின்றனர்.

இந்த முன்னேற்றம் Workspace மற்றும் Skill ஆகியவற்றின் ஒருங்கிணைப்பில் உள்ளது:

• The Workspace: கோப்புகள், டெர்மினல்கள், லாக்ஸ் (logs) மற்றும் உலாவிகளைக் (browsers) கொண்ட ஒரு நிலையான சூழல். படிநிலைகளுக்கு இடையே சூழலை (context) இழந்துவிடும் ஆரம்பகால முகவர்களைப் போலல்லாமல், ஒரு workspace "state"-ஐ வழங்குகிறது, அதாவது AI ஒரு நிலையான சூழலுடன் தொடர்பு கொள்ள முடியும், அங்கு செயல்கள் நிரந்தரமான விளைவுகளைக் கொண்டிருக்கும்.
• Skills: சாதாரண ப்ராம்ப்ட்களைத் தாண்டி, "skills" என்பது செயல்பாட்டு அறிவின் தொகுப்பு சார்ந்த, மீண்டும் பயன்படுத்தக்கூடிய தொகுப்பாகும் (modular, reusable bundles). உதாரணமாக, Anthropic-ன் Agent Skills, அறிவுறுத்தல்கள் மற்றும் ஸ்கிரிப்ட்களைத் தொகுக்க SKILL.md கோப்புகளைப் பயன்படுத்துகிறது. இது நிறுவனங்கள் ஒவ்வொரு முறையும் புதிய பணிப்பாய்வுகளை உருவாக்குவதற்குப் பதிலாக, நிறுவனத்தின் அறிவை (institutional know-how) எளிதில் எடுத்துச் செல்லக்கூடிய வடிவத்தில் சேமிக்க அனுமதிக்கிறது.

வெற்றியை மறுவரையறை செய்தல்: Task Closure vs. Answer Accuracy

AI, workspaces-களுக்குள் நுழையும் போது, "அறிவுத்திறனுக்கான" அளவீடுகள் மாற வேண்டும். சாட்பாட் யுகத்தில், மாதிரிகள் அவற்றின் பதில்களின் துல்லியத்தின் அடிப்படையில் மதிப்பிடப்பட்டன. முகவர் யுகத்தில் (agentic era), வெற்றி என்பது task closure மூலம் அளவிடப்படுகிறது: அதாவது ஒரு இலக்கு சூழலைச் சரிபார்க்கக்கூடிய இறுதி நிலைக்குக் கொண்டு வரும் திறன்.

நவீன பெஞ்ச்மார்க் (benchmarks) ஆகியவற்றின் சிக்கலான தன்மையால் இந்த மாற்றம் நிரூபிக்கப்படுகிறது. GPT-4 உரையில் சிறந்து விளங்கினாலும், நிஜ உலக இணையச் சூழல்களைப் பிரதிபலிக்கும் WebArena பெஞ்ச்மார்க்கில், ஆரம்பத்தில் 14% பணிகளை மட்டுமே முடித்தது. இப்போது வெற்றி என்பது அதன் இறுதி வெளியீட்டை மட்டும் வாசிப்பதல்ல, மாறாக "state-action-observation trajectories"—அதாவது ஒரு முகவர் ஒரு அமைப்பின் வழியாக எவ்வாறு நகர்கிறது என்பதைக் கவனிப்பதன் மூலம் அளவிடப்படுகிறது.

பாதுகாப்பு மற்றும் நிர்வாகத்தின் புதிய எல்லை

அதிகரித்த தன்னாட்சி அதிகப்படியான அபாயத்தையும் கொண்டுவருகிறது. Workspace சார்ந்த முகவர்கள் கடவுச்சொற்கள் (credentials), அடையாள டோக்கன்கள் (identity tokens) மற்றும் முக்கியமான களஞ்சியங்களுக்கான (repositories) அணுகலைப் பெற்றுள்ளதால், அவை AI தாக்குதலுக்கான பரப்பளவை (attack surface) அதிகரிக்கின்றன. OpenClaw PRISM மற்றும் ClawGuard போன்ற வளர்ந்து வரும் கட்டமைப்புகள், அனுமதி கட்டுப்பாடுகள் (permission controls), மூலத் தடயங்களைக் கண்டறிதல் (provenance tracking) மற்றும் சாண்ட்பாக்சிங் (sandboxing) ஆகியவற்றை உள்ளடக்கிய "harnesses"-களை உருவாக்குவதில் கவனம் செலுத்துகின்றன. AI ஒரு உண்மையான சக ஊழியராக மாற வேண்டுமானால், ஒரு முகவரின் தவறு நிரந்தரமான கட்டமைப்புப் பிழையாக மாறிவிடாமல் இருப்பதை உறுதி செய்ய, டெவலப்பர்கள் rollback, தரவு இறையாண்மை (data sovereignty) மற்றும் workspace சுகாதாரம் போன்ற சிக்கல்களைத் தீர்க்க வேண்டும்.

முக்கியக் குறிப்புகள்

• Reasoning Shift: AI, "System 1" (வேகமான, எதிர்வினை ஆற்றும்) முறையிலிருந்து "System 2" (மெதுவான, நிதானமான) பகுத்தறிவுக்கு மாறி வருகிறது; இது சுயதிருத்தம் செய்ய அனுமான நேரத்தின் போது கூடுதல் கணக்கீட்டுத் திறனைப் பயன்படுத்துகிறது.
• Workspace + Skill: உண்மையான தன்னாட்சிக்கு, பணிப்பாய்வுகள் மீண்டும் மீண்டும் செய்யக்கூடியதாகவும் மற்றும் விரிவாக்கக்கூடியதாகவும் (scalable) இருப்பதை உறுதி செய்ய, ஒரு நிலையான டிஜிட்டல் workspace மற்றும் மீண்டும் பயன்படுத்தக்கூடிய "skills" ஆகியவை தேவைப்படுகின்றன.
• New Evaluation Metrics: வெற்றி என்பது இனி ஒரு உரை பதிலின் நம்பகத்தன்மை பற்றியது அல்ல, மாறாக "task closure"—அதாவது ஒரு சிக்கலான சூழலில் ஒரு பணிப்பாய்வைச் சரிபார்க்கக்கூடிய வகையில் முடிப்பதைப் பற்றியது.