एजीआई और भविष्य की एआई
कृत्रिम बुद्धिमत्ता सीखने की प्रक्रिया के बारे में कैसे सीख सकती है?
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
कृत्रिम बुद्धिमत्ता को आगे बढ़ाने के लिए, जैसा कि लेखक जुन वू ने फोर्ब्स में कहा है, यह ‘सीखने के लिए सीखना’ होगा। इसका क्या अर्थ होगा?
जैसा कि वू बताते हैं, “मानवों में एक अद्वितीय क्षमता है कि वे किसी भी स्थिति या परिस्थिति से सीख सकते हैं।” मानव सीखने की प्रक्रिया को बदल सकते हैं। ऐसी लचीली गुणवत्ता प्राप्त करने के लिए, कृत्रिम बुद्धिमत्ता को आर्टिफिशियल जनरल इंटेलिजेंस की आवश्यकता होगी – यह सीखने की प्रक्रिया के बारे में सीखना होगा, जिसे मेटा-लर्निंग कहा जाता है।
मानवों और कृत्रिम बुद्धिमत्ता के बीच सीखने की प्रक्रिया में एक बहुत ही विशिष्ट अंतर है। जबकि मानव सीखने की क्षमता सीमित है, कृत्रिम बुद्धिमत्ता के पास अधिक संसाधन हैं जैसे कि इसकी गणना शक्ति। मानव मस्तिष्क की शक्ति सीमित है और इसके पास सीखने के लिए सीमित समय है। लेकिन, जबकि कृत्रिम बुद्धिमत्ता “मानव मस्तिष्क द्वारा उपयोग किए जाने वाले डेटा से अधिक डेटा से सीखती है, इन विशाल मात्रा में डेटा को संसाधित करने के लिए भारी गणना शक्ति की आवश्यकता होती है।”
वू बताते हैं कि “कृत्रिम बुद्धिमत्ता के कार्यों की जटिलता बढ़ने के साथ, गणना शक्ति में भी एक असीमित वृद्धि होती है।” यह मतलब है कि भले ही गणना शक्ति की लागत कम हो, “असीमित वृद्धि कभी भी हमारी इच्छा नहीं है।” यह मुख्य कारण है कि वर्तमान में “कृत्रिम बुद्धिमत्ता को विशिष्ट-उद्देश्य सीखने वाले के रूप में डिज़ाइन किया जाता है, जो उनकी सीखने की प्रक्रिया को अधिक कुशल बनाता है।
लेकिन जब कृत्रिम बुद्धिमत्ता ने अधिक सीखना शुरू किया, “सीखने के लिए सीखना” शुरू किया, तो यह “जटिलता बढ़ने वाले डेटा से अनुमान लगाना” शुरू किया। गणना शक्ति में असीमित वृद्धि से बचने के लिए, एक अधिक कुशल सीखने का मार्ग तैयार किया जाना था, और कृत्रिम बुद्धिमत्ता को उस मार्ग को याद रखना था।
समस्या और जटिल हो गई जब शोधकर्ताओं और प्रौद्योगिकीविदों ने कृत्रिम बुद्धिमत्ता को मल्टी-टास्किंग समस्याएं सौंपीं। ऐसा करने के लिए, कृत्रिम बुद्धिमत्ता को “स्वतंत्र डेटा सेटों का मूल्यांकन करने में सक्षम होना चाहिए। यह डेटा के टुकड़ों को संबंधित करने और उस डेटा पर संबंध बनाने में सक्षम होना चाहिए।” एक कार्य किए जाने के दौरान, कृत्रिम बुद्धिमत्ता को अपने ज्ञान को अद्यतन करना होगा ताकि वह अन्य स्थितियों में इसका अनुप्रयोग कर सके। “चूंकि कार्य आपस में जुड़े हुए हैं, कार्यों के मूल्यांकन को पूरे नेटवर्क द्वारा किया जाना होगा।”
गूगल ने एक ऐसा मॉडल विकसित किया है, मल्टीमॉडल, जो एक कृत्रिम बुद्धिमत्ता प्रणाली है जिसने “आठ अलग-अलग कार्यों को एक ही समय में सीखना सीखा है। मल्टीमॉडल “चित्रों में वस्तुओं का पता लगा सकता है, कैप्शन प्रदान कर सकता है, भाषण को पहचान सकता है, चार जोड़ी भाषाओं के बीच अनुवाद कर सकता है, और व्याकरणिक संरचना विश्लेषण कर सकता है। (GOOGL )
गूगल की इस उपलब्धि के बावजूद, कृत्रिम बुद्धिमत्ता को अभी भी एक सामान्य-उद्देश्य सीखने वाला बनने के लिए आगे बढ़ने की आवश्यकता है। ऐसा करने के लिए, यह मेटा-कारण और मेटा-सीखने को और विकसित करना होगा। जैसा कि वू बताते हैं, “मेटा-कारण संज्ञानात्मक संसाधनों के कुशल उपयोग पर केंद्रित है। मेटा-सीखना मानवों की अद्वितीय क्षमता पर केंद्रित है कि वे सीमित संज्ञानात्मक संसाधनों और सीमित डेटा का उपयोग करके कुशलता से सीख सकते हैं।”
वर्तमान में, मानव संज्ञान और कृत्रिम बुद्धिमत्ता के बीच के अंतरों को समझने के लिए अध्ययन किए जा रहे हैं, जैसे कि आंतरिक स्थितियों की जागरूकता, स्मृति की सटीकता, या विश्वास।
इसका अर्थ है कि “एक कृत्रिम सामान्य सीखने वाला बनने के लिए, मानव सीखने की प्रक्रिया पर व्यापक शोध और कृत्रिम बुद्धिमत्ता को मानव सीखने की प्रक्रिया की नकल करने के तरीके पर शोध की आवश्यकता है। नए स्थितियों के अनुकूल होने की क्षमता जैसे कि “मल्टीटास्किंग” और सीमित संसाधनों के साथ “रणनीतिक निर्णय” लेने की क्षमता कुछ ऐसी बाधाएं हैं जिन्हें कृत्रिम बुद्धिमत्ता शोधकर्ता आगे बढ़ाएंगे।”
