AGI నుండి ASI వరకు: Google DeepMind యొక్క తాజా పేపర్ సారాంశం
చాలా మంది ఆర్టిఫిషియల్ జనరల్ ఇంటెలిజెన్స్ (AGI) గురించి అతిశయోక్తితో లేదా భయంతో మాట్లాడుతుంటారు. ఆర్టిఫిషియల్ సూపర్ ఇంటెలిజెన్స్ (ASI) గురించి చర్చించడం ఇంకా కష్టమైన విషయం.
Google DeepMind యొక్క కొత్త పేపర్ ఒక మెరుగైన ప్రశ్నను అడుగుతుంది. AGI ఎప్పుడు వస్తుంది అని అడగడానికి బదులుగా, అది ఇలా అడుగుతోంది: AGI తర్వాత ఏం జరుగుతుంది?
మనం మానవ సామర్థ్యానికి సమానమైన AIని నిర్మిస్తే, అది మానవ నిపుణుల సమూహాల కంటే మెరుగ్గా పనిచేసే వరకు ఎలా అభివృద్ధి చెందుతుంది?
ఇంజనీర్లు మరియు డెవలపర్ల కోసం ఇక్కడ ఒక సరళమైన వివరణ ఉంది.
తేడా
• AGI: అనేక పనులలో సగటు మానవుని స్థాయి వద్ద పనిచేసే AI వ్యవస్థ. ఇది నేర్చుకోగలదు, తర్కించగలదు మరియు విభిన్న సమస్యలను పరిష్కరించగలదు. • ASI: దాదాపు అన్ని ముఖ్యమైన రంగాలలో మానవ నిపుణుల పెద్ద సమూహాల కంటే మెరుగ్గా పనిచేసే AI వ్యవస్థ.
చదరంగంలో (chess) మనిషిని ఓడించే మోడల్ ASI కాదు. పరిశోధనాశాలలు మరియు మొత్తం కంపెనీల కంటే మెరుగ్గా పనిచేయగల కృత్రిమ వ్యవస్థే ASI.
AI మానవుల కంటే భిన్నంగా ఎందుకు స్కేల్ అవుతుంది
మానవులకు జీవసంబంధిత పరిమితులు ఉన్నాయి. మనం మనల్ని మనం కాపీ చేసుకోలేము లేదా మన మనస్సు యొక్క వెయ్యి వెర్షన్లను సమాంతరంగా (parallel) నడపలేము. AIకి ఇటువంటి పరిమితులు లేవు.
AI అనేక ప్రయోజనాలను అందిస్తుంది:
- మెషిన్ వేగం: AI జీవసంబంధిత మెదడుల కంటే చాలా వేగంగా డేటాను ప్రాసెస్ చేస్తుంది.
- రీజనింగ్ స్కేల్: ఒక మోడల్ ఎక్కువ సేపు ఆలోచించడానికి మీరు దానికి ఎక్కువ కంప్యూట్ (compute) ఇవ్వవచ్చు లేదా అనేక ఇన్స్టెన్స్లను సమాంతరంగా నడపవచ్చు.
- మెమరీ: AI భారీ డేటాబేస్లు మరియు అనంతమైన కాంటెక్స్ట్ విండోస్కు అనుసంధానించబడగలదు.
- డూప్లికేషన్: సమర్థవంతమైన AI పరిశోధకుడి యొక్క మిలియన్ల కొద్దీ కాపీలను మీరు నడపవచ్చు.
ASIకి నాలుగు మార్గాలు
- స్కేలింగ్: ఎక్కువ డేటా, ఎక్కువ కంప్యూట్ మరియు మెరుగైన హార్డ్వేర్ను ఉపయోగించడం.
- అల్గారిథమిక్ మార్పులు: కొత్త ఆర్కిటెక్చర్లు, మెరుగైన మెమరీ వ్యవస్థలు లేదా మరింత సమర్థవంతమైన లెర్నింగ్ పద్ధతులను కనుగొనడం.
- రికర్సివ్ సెల్ఫ్-ఇంప్రూవ్మెంట్: మెరుగైన AIని పరిశోధించడానికి మరియు నిర్మించడానికి AI సహాయపడటం. ఇది ఒక ఫీడ్బ్యాక్ లూప్ను సృష్టిస్తుంది.
- మల్టీ-ఏజెంట్ సిస్టమ్స్: ఒక పెద్ద సంస్థలాగా అనేక ప్రత్యేక AI ఏజెంట్లు కలిసి పనిచేయడం.
మనల్ని ఏవి నెమ్మదింపజేయవచ్చు?
పురోగతి అనేది గ్యారెంటీ కాదు. కొన్ని అడ్డంకులు (bottlenecks) ఉన్నాయి:
- డేటా పరిమితులు: మనకు అధిక నాణ్యత కలిగిన మానవ డేటా తక్కువగా ఉండవచ్చు.
- భౌతిక పరిమితులు: స్కేలింగ్ చేయడానికి భారీ మొత్తంలో విద్యుత్, చిప్స్ మరియు హార్డ్వేర్ అవసరం.
- పరిశోధన కష్టం: AI పరిణతి చెందుతున్న కొద్దీ, పరిష్కరించాల్సిన సమస్యలు మరింత కష్టతరంగా మారవచ్చు.
- మానవ జోక్యం: భద్రత, నియంత్రణ మరియు రాజకీయాలు అభివృద్ధిని నెమ్మదింపజేయవచ్చు.
ముగింపు
AGI నుండి ASIకి మారడం అనేది కేవలం ఒక పరిశోధనా సమస్య మాత్రమే కాదు. ఇది ఒక ఇంజనీరింగ్ సవాలు. ఇందులో డిస్ట్రిబ్యూటెడ్ సిస్టమ్స్, ఇన్ఫ్రాస్ట్రక్చర్ మరియు సంక్లిష్టమైన ఆర్కెస్ట్రేషన్ వంటివి ఉంటాయి.
మీరు డెవలపర్ అయితే, ఈ అంశాలపై దృష్టి పెట్టండి:
- నమ్మదగిన AI ఏజెంట్లను ఎలా నిర్మించాలి.
- అనేక ఏజెంట్లను ఎలా సమన్వయం చేయాలి.
- దీర్ఘకాలిక పనులను ఎలా అంచనా వేయాలి.
- భద్రత మరియు నియంత్రణను ఎలా నిర్ధారించాలి.
మూలం: https://dev.to/marrouchi/from-agi-to-asi-a-summary-of-google-deepminds-latest-paper-2ndd