AGI-லிருந்து ASI வரை: Google DeepMind-ன் சமீபத்திய ஆய்வறிக்கையின் சுருக்கம்
பெரும்பாலான மக்கள் Artificial General Intelligence (AGI) பற்றி மிகைப்படுத்தியோ அல்லது பயத்தோடும் பேசுகிறார்கள். Artificial Superintelligence (ASI) பற்றி விவாதிப்பது இன்னும் கடினமானது.
Google DeepMind-ன் புதிய ஆய்வறிக்கை ஒரு சிறந்த கேள்வியை எழுப்புகிறது. AGI எப்போது வரும் என்று கேட்பதற்குப் பதிலாக, அது கேட்கிறது: AGI-க்கு பிறகு என்ன நடக்கும்?
மனிதத் திறனுக்கு இணையான AI-ஐ நாம் உருவாக்கினால், அது மனித நிபுணர்களின் குழுக்களை விடச் சிறந்து விளங்கும் வரை எவ்வாறு தொடர்ந்து முன்னேற்றமடையும்?
பொறியாளர்கள் மற்றும் டெவலப்பர்களுக்கான எளிய விளக்கம் இதோ.
வேறுபாடு
• AGI: பல பணிகளில் ஒரு சராசரி மனிதனின் மட்டத்திலான செயல்பாட்டைக் கொண்ட ஒரு AI அமைப்பு. இது கற்றுக்கொள்ளவும், பகுத்தறியவும் மற்றும் பல்வேறு சிக்கல்களைத் தீர்க்கவும் முடியும். • ASI: கிட்டத்தட்ட அனைத்து முக்கியமான துறைகளிலும் மனித நிபுணர்களின் பெரிய குழுக்களை விடச் சிறந்து விளங்கும் ஒரு AI அமைப்பு.
சதுரங்க விளையாட்டில் ஒரு மனிதனைத் தோற்கடிக்கும் மாடல் ASI அல்ல. ASI என்பது ஆராய்ச்சி ஆய்வகங்கள் மற்றும் முழு நிறுவனங்களையும் விடச் சிறந்து விளங்கக்கூடிய ஒரு செயற்கை அமைப்பாகும்.
AI ஏன் மனிதர்களை விட வித்தியாசமாகப் பெருகுகிறது (scales)?
மனிதர்களுக்கு உயிரியல் ரீதியான வரம்புகள் உள்ளன. நம்மால் நம்மையே நகலெடுக்கவோ அல்லது நமது மனதின் ஆயிரம் பதிப்புகளை இணையாக இயக்கவோ முடியாது. AI-க்கு இத்தகைய கட்டுப்பாடுகள் இல்லை.
AI பல நன்மைகளை வழங்குகிறது:
- இயந்திர வேகம்: உயிரியல் மூளைகளை விட AI தரவுகளை மிக வேகமாகச் செயலாக்குகிறது.
- பகுத்தறியும் அளவு (Reasoning scale): ஒரு மாடலுக்கு நீண்ட நேரம் சிந்திக்க அதிக கணினித் திறனை (compute) வழங்கலாம் அல்லது பல பதிப்புகளை இணையாக இயக்கலாம்.
- நினைவகம்: AI மிகப்பெரிய தரவுத்தளங்கள் மற்றும் எல்லையற்ற சூழல் சாளரங்களுடன் (context windows) இணைய முடியும்.
- நகலெடுத்தல்: திறமையான ஒரு AI ஆராய்ச்சியாளரின் பல மில்லியன் நகல்களை நீங்கள் இயக்க முடியும்.
ASI-க்கான நான்கு வழிகள்
- அளவிடுதல் (Scaling): அதிக தரவு, அதிக கணினித் திறன் மற்றும் சிறந்த வன்பொருளைப் பயன்படுத்துதல்.
- அல்காரிதமிக் மாற்றங்கள்: புதிய கட்டமைப்புகள், சிறந்த நினைவக அமைப்புகள் அல்லது மிகவும் திறமையான கற்றல் முறைகளைக் கண்டறிதல்.
- தொடர்ச்சியான சுய முன்னேற்றம் (Recursive self-improvement): சிறந்த AI-ஐ ஆராய்ச்சி செய்யவும் உருவாக்கவும் AI உதவுவது. இது ஒரு பின்னூட்ட சுழற்சியை (feedback loop) உருவாக்குகிறது.
- மல்டி-ஏஜென்ட் அமைப்புகள் (Multi-agent systems): ஒரு பெரிய நிறுவனம் போல பல சிறப்பு வாய்ந்த AI ஏஜென்ட்கள் இணைந்து செயல்படுவது.
எவை நம் முன்னேற்றத்தைத் தாமதப்படுத்தலாம்?
முன்னேற்றம் உறுதி செய்யப்படவில்லை. பல தடைகள் உள்ளன:
- தரவு வரம்புகள்: உயர்தர மனிதத் தரவுகள் தீர்ந்து போகலாம்.
- இயற்பியல் வரம்புகள்: அளவிடுவதற்கு (Scaling) மிகப்பெரிய அளவிலான மின்சாரம், சிப்கள் மற்றும் வன்பொருள் தேவைப்படுகிறது.
- ஆராய்ச்சி கடினத்தன்மை: AI முதிர்ச்சியடையும் போது, தீர்க்க வேண்டிய சிக்கல்கள் கடினமாகலாம்.
- மனிதத் தலையீடு: பாதுகாப்பு, ஒழுங்குமுறை மற்றும் அரசியல் ஆகியவை வளர்ச்சியைத் தாமதப்படுத்தலாம்.
முக்கியக் கருத்து (The Takeaway)
AGI-யிலிருந்து ASI-யை நோக்கிய நகர்வு என்பது வெறும் ஆராய்ச்சி சார்ந்த பிரச்சனை மட்டுமல்ல. இது ஒரு பொறியியல் சவாலாகும். இதில் விநியோகிக்கப்பட்ட அமைப்புகள் (distributed systems), உள்கட்டமைப்பு (infrastructure) மற்றும் சிக்கலான ஒருங்கிணைப்பு (complex orchestration) ஆகியவை அடங்கும்.
நீங்கள் ஒரு டெவலப்பராக (developer) இருந்தால், இந்தத் துறைகளில் கவனம் செலுத்துங்கள்:
- நம்பகமான AI முகவர்களை (AI agents) எவ்வாறு உருவாக்குவது.
- பல முகவர்களை எவ்வாறு ஒருங்கிணைப்பது.
- நீண்டகாலப் பணிகளை எவ்வாறு மதிப்பீடு செய்வது.
- பாதுகாப்பு மற்றும் கட்டுப்பாட்டை எவ்வாறு உறுதி செய்வது.
ஆதாரம்: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd