नोआह श्वार्ट्ज, क्वोरम एआई के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

नोआह एक एआई सिस्टम आर्किटेक्ट हैं। क्वोरम एआई की स्थापना से पहले, नोआह ने 12 वर्षों तक अकादमिक अनुसंधान में काम किया, पहले दक्षिणी कैलिफोर्निया विश्वविद्यालय में और बाद में नॉर्थवेस्टर्न में न्यूरोबायोलॉजी के सहायक अध्यक्ष के रूप में। उनका काम मस्तिष्क में जानकारी प्रसंस्करण पर केंद्रित था और उन्होंने अपने शोध को ऑगमेंटेड रियलिटी, ब्रेन-कंप्यूटर इंटरफेस, कंप्यूटर विजन और एम्बेडेड रोबोटिक्स कंट्रोल सिस्टम में उत्पादों में अनुवादित किया है।

आपकी एआई और रोबोटिक्स में रुचि एक छोटे लड़के के रूप में शुरू हुई। आप इन प्रौद्योगिकियों से पहली बार कैसे परिचित हुए?

प्रारंभिक उत्साह विज्ञान-कथा फिल्मों और इलेक्ट्रॉनिक्स के प्रेम से आया। मुझे याद है कि मैंने 8 साल की उम्र में ट्रॉन फिल्म देखी, इसके बाद अगले कुछ वर्षों में इलेक्ट्रिक ड्रीम्स, शॉर्ट सर्किट, डीएआरवाईएल, वार गेम्स और अन्य फिल्में देखीं। हालांकि यह कल्पना के माध्यम से प्रस्तुत किया गया था, कृत्रिम बुद्धिमत्ता का विचार मुझे आकर्षित किया। और हालांकि मैं केवल 8 साल का था, मुझे इसके प्रति तुरंत जुड़ाव और एक तीव्र आकर्षण महसूस हुआ जो समय के साथ कम नहीं हुआ है।

आपकी एआई और रोबोटिक्स के प्रति जुनून कैसे विकसित हुआ?

मेरी एआई और रोबोटिक्स में रुचि मस्तिष्क के प्रति जुनून के साथ समानांतर विकसित हुई। मेरे पिता एक जीव विज्ञान के शिक्षक थे और वे मुझे शरीर, इसके कार्यों और सभी के बीच के संबंधों के बारे में सिखाते थे। एआई और मस्तिष्क को देखना मेरे लिए एक ही समस्या की तरह लगा – या कम से कम, उनमें एक ही अंतिम प्रश्न था, जो था कि यह कैसे काम करता है? मुझे दोनों में रुचि थी, लेकिन मुझे स्कूल में एआई या रोबोटिक्स के लिए बहुत अधिक एक्सपोजर नहीं मिला। इस वजह से, मैंने स्कूल में जीव विज्ञान और मनोविज्ञान का अध्ययन किया और अपने खाली समय में एआई पर काम किया।

जब मैं कॉलेज में गया, तो मैंने पैरेलल डिस्ट्रिब्यूटेड प्रोसेसिंग (पीडीपी) पुस्तकों का पता लगाया, जो मेरे लिए बहुत बड़ा था। वे मेरा पहला वास्तविक एआई परिचय था, जिसने मुझे क्लासिक्स जैसे हेब, रोसेनब्लैट, और यहां तक कि मैक्कलोच और पिट्स में ले जाने के लिए प्रेरित किया। मैंने न्यूरोएनाटॉमी और जीव विज्ञान और मनोविज्ञान वर्गों से सीखे गए ज्ञान के आधार पर तंत्रिका नेटवर्क बनाना शुरू किया। स्नातक स्तर की पढ़ाई पूरी करने के बाद, मैंने एक कंप्यूटर नेटवर्क इंजीनियर के रूप में काम किया, जटिल, व्यापक-क्षेत्र नेटवर्क बनाए और यातायात प्रवाह को स्वचालित और प्रबंधित करने के लिए सॉफ्टवेयर लिखा। यह बड़े मस्तिष्क बनाने जैसा था। इस काम ने मेरी एआई के प्रति जुनून को फिर से जगाया और मुझे एआई और न्यूरोसाइंस का अध्ययन करने के लिए स्नातक स्कूल में जाने के लिए प्रेरित किया, और बाकी इतिहास है।

क्वोरम एआई की स्थापना से पहले, आपने 12 वर्षों तक अकादमिक अनुसंधान में काम किया, पहले दक्षिणी कैलिफोर्निया विश्वविद्यालय में और बाद में नॉर्थवेस्टर्न में न्यूरोबायोलॉजी के सहायक अध्यक्ष के रूप में। उस समय आपका काम मस्तिष्क में जानकारी प्रसंस्करण पर केंद्रित था। क्या आप हमें इस शोध के कुछ पहलुओं से अवगत करा सकते हैं?

एक व्यापक अर्थ में, मेरा शोध यह समझने की कोशिश कर रहा था कि मस्तिष्क कैसे काम करता है केवल उपलब्ध संसाधनों का उपयोग करके। मैं वॉन न्यूमैन अर्थ में मस्तिष्क को एक प्रकार का कंप्यूटर मानने के विचार से सहमत नहीं हूं। मैं इसे एक विशाल नेटवर्क के रूप में देखता हूं जो मुख्य रूप से उत्तेजना प्रतिक्रिया और सिग्नल-एन्कोडिंग ऑपरेशन करता है। इस विशाल नेटवर्क में, कार्यात्मक रूप से विशेषज्ञता वाले क्षेत्रों के बीच स्पष्ट कनेक्टिविटी पैटर्न हैं। जैसे ही हम जूम इन करते हैं, हम देखते हैं कि न्यूरॉन्स को यह परवाह नहीं है कि वे कौन सा संकेत ले जा रहे हैं या वे मस्तिष्क के किस हिस्से में हैं – वे बहुत ही पredictable नियमों के आधार पर काम करते हैं। इसलिए, यदि हम इन विशेषज्ञता वाले क्षेत्रों के कार्य को समझना चाहते हैं, तो हमें कुछ प्रश्न पूछने होंगे: (1) एक इनपुट नेटवर्क के माध्यम से यात्रा करता है, तो यह अन्य इनपुट के साथ कैसे अभिसरण करता है और एक निर्णय उत्पन्न करता है? (2) इन विशेषज्ञता वाले क्षेत्रों की संरचना अनुभव के परिणामस्वरूप कैसे बनती है? और (3) वे हमारे मस्तिष्क का उपयोग करते समय और सीखते समय कैसे बदलते रहते हैं? मेरा शोध इन प्रश्नों का उत्तर देने के लिए प्रयोगात्मक अनुसंधान के संयोजन में सूचना सिद्धांत और मॉडलिंग और सिमुलेशन का उपयोग करने का प्रयास करता है – कुछ जो कृत्रिम निर्णय प्रणाली और एआई बनाने में हमें सक्षम बना सकता है। न्यूरोबायोलॉजी के संदर्भ में, मैंने न्यूरोप्लास्टिकिटी और विशेषज्ञता वाले क्षेत्रों जैसे दृश्य कortex के माइक्रोएनाटॉमी का अध्ययन किया।

आप फिर अपने काम को ऑगमेंटेड रियलिटी और ब्रेन-कंप्यूटर इंटरफेस में अनुवादित किया। आपने कुछ उत्पादों पर काम किया था?

2008 के आसपास, मैं एक परियोजना पर काम कर रहा था जिसे हम अब ऑगमेंटेड रियलिटी कहेंगे, लेकिन उस समय यह सिर्फ एक प्रणाली थी जो आंखों की गति को ट्रैक करने और भविष्यवाणी करने के लिए और फिर उन भविष्यवाणियों का उपयोग स्क्रीन पर कुछ अपडेट करने के लिए किया जाता था। सिस्टम को रियलटाइम में काम करने के लिए, मैंने एक जैविक रूप से प्रेरित मॉडल बनाया जो देखने वाले की आंखों की माइक्रोसैकेड्स – छोटी आंखों की गति के आधार पर भविष्यवाणी कर सकता था जो आपकी आंखों को हिलाने से पहले होती है। इस मॉडल का उपयोग करके, मैं यह भविष्यवाणी कर सकता था कि देखने वाला कहां देखेगा, फिर ग्राफिक्स कार्ड में फ्रेम बफर को अपडेट कर सकता था जब उनकी आंखें अभी भी गति में थीं। जब उनकी आंखें उस नए स्थान पर स्क्रीन पर पहुंचती थीं, तो छवि पहले से ही अपडेट हो जाती थी। यह 2008 में एक सामान्य डेस्कटॉप कंप्यूटर पर बिना किसी देरी के चला। तकनीक बहुत अच्छी थी, लेकिन परियोजना आगे के वित्तपोषण के दौर में नहीं पहुंची, इसलिए यह मर गई।

2011 में, मैंने उत्पाद विकास पर अधिक केंद्रित प्रयास किया और एक न्यूरल नेटवर्क बनाया जो स्ट्रीमिंग ईईजी डेटा पर फीचर डिस्कवरी कर सकता था जिसे हमने खोपड़ी से मापा था। यह अधिकांश ब्रेन-कंप्यूटर इंटरफेस सिस्टम का मूल कार्य है। परियोजना कितना छोटा फुटप्रिंट हम इसे चला सकते हैं? के प्रयोग के रूप में भी थी। हमारे पास एक हेडसेट था जो कुछ ईईजी डेटा चैनलों को 400Hz पर पढ़ सकता था जो ब्लूटूथ के माध्यम से एक एंड्रॉइड फोन पर फीचर डिस्कवरी और वर्गीकरण के लिए भेजे जाते थे, फिर एक आर्डुइनो-संचालित नियंत्रक में भेजे जाते थे जिसे हमने एक ऑफ-द-शेल्फ आरसी कार में फिर से तैयार किया था। उपयोग में, एक व्यक्ति जो ईईजी हेडसेट पहनता था, मानसिक गणित करने से लेकर एक गीत गाने तक अपने विचारों को बदलकर कार को चला और निर्देशित कर सकता था। एल्गोरिदम फोन पर चलता था और प्रत्येक उपयोगकर्ता के लिए एक व्यक्तिगत मस्तिष्क “फिंगरप्रिंट” बनाता था, जिससे उन्हें बिना प्रत्येक डिवाइस पर पुनः प्रशिक्षण किए विभिन्न रोबोटिक डिवाइसों के बीच स्विच करने की अनुमति मिलती थी। टैगलाइन जो हमने इसके लिए बनाई थी वह थी “ब्रेन कंट्रोल मीट्स प्लग-एंड-प्ले”।

2012 में, हमने सिस्टम को और वितरित तरीके से छोटे हार्डवेयर पर चलाने के लिए विस्तारित किया। हमने इसका उपयोग एक मल्टी-सेगमेंट, मल्टी-जोड़ वाले रोबोटिक आर्म को नियंत्रित करने के लिए किया जिसमें प्रत्येक सेगमेंट एक स्वतंत्र प्रोसेसर द्वारा नियंत्रित था जो एम्बेडेड एआई का एक निर्मित संस्करण चलाता था। हमने आर्म को एक केंद्रीय नियंत्रक का उपयोग करके मैनिपुलेट करने की अनुमति नहीं दी, बल्कि हमने सेगमेंट को स्व-संगठित करने और एक लक्ष्य तक पहुंचने की अनुमति दी एक वितरित तरीके से। दूसरे शब्दों में, जैसे कि चींटियों द्वारा एक चींटी पुल बनाने के लिए, आर्म सेगमेंट लक्ष्य तक पहुंचने के लिए सहयोग करेंगे।

हमने 2013 में क्वोरम एआई – मूल रूप से क्वोरम रोबोटिक्स के रूप में जाना जाता था – को लॉन्च करने के बाद इसी दिशा में आगे बढ़े। हम जल्द ही महसूस कर गए कि सिस्टम एल्गोरिदम और आर्किटेक्चर के कारण अद्भुत था, न कि हार्डवेयर के कारण, इसलिए 2014 के अंत में हमने पूरी तरह से सॉफ्टवेयर में बदल दिया। अब, 8 साल बाद, क्वोरम एआई अपनी जड़ों में वापस आ रहा है रोबोटिक्स द्वारा नासा स्पेस रोबोटिक्स चैलेंज पर आवेदन करके।

प्रोफेसर के रूप में अपनी नौकरी छोड़ना और एक स्टार्टअप लॉन्च करना आपके लिए एक कठिन निर्णय होगा। आपको यह करने के लिए क्या प्रेरित किया?

यह मेरे लिए कई तरीकों से एक बड़ा कदम था, लेकिन जब अवसर आया और रास्ता स्पष्ट हो गया, तो यह एक आसान निर्णय था। जब आप एक प्रोफेसर होते हैं, तो आप बहु-वर्षीय समयसीमा में सोचते हैं और बहुत लंबी अवधि के शोध लक्ष्यों पर काम करते हैं। एक स्टार्टअप लॉन्च करना इसके विपरीत है। हालांकि, एक बात जो अकादमिक जीवन और स्टार्टअप जीवन में समान है वह यह है कि दोनों में आपको लगातार सीखना और समस्याओं का समाधान करना होता है। एक स्टार्टअप में, यह उत्पाद विकास जोखिम को कम करने के लिए एक समाधान को पुनः डिज़ाइन करने की कोशिश करने जैसा हो सकता है, या हो सकता है कि हमारी तकनीक से लाभान्वित हो सकने वाले एक नए क्षेत्र का अध्ययन करना। एआई में काम करना मुझे जो सबसे करीबी “कॉलिंग” लगता है, मैंने कभी महसूस किया है, इसलिए चुनौतियों और उतार-चढ़ाव के बावजूद, मुझे लगता है कि मैं जो काम कर रहा हूं वह भाग्यशाली है।

आपके बाद से क्वोरम एआई विकसित किया है, जो सभी डिवाइसों और प्लेटफार्मों के लिए रियलटाइम, वितरित कृत्रिम बुद्धिमत्ता विकसित करता है। क्या आप इस एआई प्लेटफ़ॉर्म के बारे में विस्तार से बता सकते हैं?

प्लेटफ़ॉर्म को एनवायरनमेंट फ़ॉर वर्चुअल एजेंट्स (ईवीए) कहा जाता है, और यह उपयोगकर्ताओं को हमारे एनग्राम एआई इंजन का उपयोग करके मॉडल बनाने, प्रशिक्षित करने और तैनात करने की अनुमति देता है। एनग्राम एक लचीला और पोर्टेबल रैपर है जिसे हमने अपने अनपर्स्ड लर्निंग एल्गोरिदम के चारों ओर बनाया है। एल्गोरिदम इतने कुशल हैं कि वे रियलटाइम में सीख सकते हैं क्योंकि मॉडल भविष्यवाणियां उत्पन्न कर रहा है। चूंकि एल्गोरिदम टास्क-एज्नोस्टिक हैं, मॉडल में कोई स्पष्ट इनपुट या आउटपुट नहीं है, इसलिए बेयसियन तरीके से किसी भी आयाम के लिए भविष्यवाणियां की जा सकती हैं और पुनः प्रशिक्षण की आवश्यकता नहीं है और कैटास्ट्रофिक भूलने से पीड़ित नहीं है। मॉडल पारदर्शी और विघटित हैं, जिसका अर्थ है कि उन्हें व्यक्तिगत आयामों में विभाजित किया जा सकता है जो सीखे गए को खोए बिना।

एक बार बन जाने के बाद, मॉडल को ईवीए के माध्यम से किसी भी प्लेटफ़ॉर्म पर तैनात किया जा सकता है, जिसमें कस्टम एम्बेडेड हार्डवेयर या क्लाउड शामिल है। ईवीए (और एम्बेडेबल होस्ट सॉफ़्टवेयर) में मॉडल की कार्यक्षमता को बढ़ाने के लिए कई उपकरण शामिल हैं। कुछ त्वरित उदाहरण: मॉडल प्रकाशन/ सदस्यता प्रणाली के माध्यम से प्रणालियों के बीच साझा किए जा सकते हैं, जो वितरित प्रणालियों को समय और स्थान दोनों पर संघीय वितरित सीखने को प्राप्त करने की अनुमति देता है। मॉडल स्वायत्त एजेंट के रूप में तैनात किए जा सकते हैं जो मनमाने कार्य कर सकते हैं, और चूंकि मॉडल टास्क-एज्नोस्टिक है, इसलिए कार्य रनटाइम के दौरान बदले बिना बदला जा सकता है। प्रत्येक व्यक्तिगत एजेंट को एक निजी “वर्चुअल” ईवीए के साथ विस्तारित किया जा सकता है, जो एजेंट को अन्य एजेंटों के मॉडल को स्केल-फ्री तरीके से सिम्युलेट करने की अनुमति देता है। अंत में, हमने गहरे शिक्षण और सुदृढ़ शिक्षण (केरास-आधारित) प्रणालियों के लिए कुछ रैपर बनाए हैं ताकि वे हमारे मंच पर एनग्राम-आधारित प्रणालियों के साथ काम कर सकें।

आपने पहले क्वोरम एआई एल्गोरिदम को “गणितीय कविता” के रूप में वर्णित किया है। आपने इसका क्या मतलब था?

जब आप एक मॉडल बना रहे होते हैं, चाहे आप मस्तिष्क को मॉडल कर रहे हों या आप अपने उद्यम के लिए बिक्री डेटा मॉडल कर रहे हों, तो आप आमतौर पर अपने डेटा का एक इन्वेंट्री लेते हैं, फिर आप देखते हैं कि कौन से ज्ञात मॉडल वर्ग आपके डेटा को अच्छी तरह से अनुमानित कर सकते हैं। मूल रूप से, आप प्रणाली के एक रफ स्केच बनाने की कोशिश कर रहे हैं ताकि यह देखा जा सके कि क्या सबसे अच्छा लगता है। आप उम्मीद नहीं करते हैं कि चीजें डेटा के साथ बहुत अच्छी तरह से फिट होंगी, और आपके परीक्षण के दौरान कुछ परीक्षण और त्रुटि होती है क्योंकि आप यह देखने की कोशिश कर रहे हैं कि कौन से हाइपोथेसिस सबसे अच्छा काम करते हैं।

जैसे ही मैंने मस्तिष्क में न्यूरोप्लास्टिकिटी को मॉडल करना शुरू किया, मैंने आमतौर पर इस्तेमाल किए जाने वाले दृष्टिकोण के साथ शुरू किया, जिसमें सभी आणविक मार्ग, परिवर्तनकारी राज्य और गतिविधियों को मैप आउट करना शामिल था जो मुझे लगता था कि महत्वपूर्ण होगा। लेकिन जब मैंने सिस्टम को अपने सबसे बुनियादी घटकों में कम कर दिया और उन घटकों को एक विशिष्ट तरीके से व्यवस्थित किया, तो मॉडल अधिक से अधिक सटीक हो गया जब तक कि यह डेटा के साथ लगभग पूरी तरह से फिट नहीं हो गया। यह ऐसा था मानो समीकरणों में हर एक ऑपरेटर और वेरिएबल ठीक वैसा ही था जैसा उन्हें होना चाहिए था, कुछ भी अतिरिक्त नहीं था, और सब कुछ डेटा को फिट करने के लिए आवश्यक था।

जब मैंने मॉडल को बड़े और बड़े सिमुलेशन में प्लग किया, जैसे कि दृश्य प्रणाली के विकास या चेहरे की पहचान, तो यह जटिल कनेक्टिविटी पैटर्न बनाने में सक्षम था जो मस्तिष्क में देखे जाते हैं। चूंकि मॉडल गणितीय था, इसलिए मस्तिष्क के पैटर्न को गणितीय विश्लेषण के माध्यम से समझा जा सकता था, जिससे मस्तिष्क क्या सीख रहा है इसके बारे में नए अंतर्दृष्टि मिले। तब से, हमने मॉडल को बनाने वाले डिफरेंशियल समीकरणों को हल किया है और उन्हें सरल बनाया है, जिससे गणनात्मक दक्षता में कई ऑर्डर की वृद्धि हुई है। यह वास्तविक कविता नहीं हो सकती है, लेकिन यह निश्चित रूप से ऐसा लगता था!

क्वोरम एआई का प्लेटफ़ॉर्म टूलकिट डिवाइसों को एक दूसरे से जुड़ने और बिना क्लाउड-आधारित सर्वर के माध्यम से संवाद किए बिना डेटा साझा करने की अनुमति देता है। क्लाउड का उपयोग करने की तुलना में इसके क्या फायदे हैं?

हम उपयोगकर्ताओं को अपनी एआई कहीं भी रखने का विकल्प देते हैं जो वे चाहते हैं, बिना एआई की कार्यक्षमता के साथ समझौता किए। एआई विकास में स्थिति यह है कि कंपनियों को आमतौर पर सुरक्षा, गोपनीयता या कार्यक्षमता में से एक के साथ समझौता करने के लिए मजबूर किया जाता है क्योंकि उनके पास क्लाउड-आधारित एआई सेवाओं का उपयोग करने का विकल्प होता है। यदि कंपनियां अपनी एआई इन-हाउस बनाने की कोशिश करती हैं, तो यह आमतौर पर बहुत पैसा और समय लेता है, और आरओआई शायद जोखिम के लायक नहीं है। यदि कंपनियां बादल से जुड़े नहीं होने वाले व्यक्तिगत डिवाइस पर एआई तैनात करना चाहती हैं, तो परियोजना जल्द ही असंभव हो जाती है। परिणामस्वरूप, एआई अपनाना एक कल्पना बन जाता है।

हमारा प्लेटफ़ॉर्म एआई को सुलभ और सस्ता बनाता है, कंपनियों को एआई विकास और अपनाने का अन्वेषण करने के लिए एक तरीका प्रदान करता है जो तकनीकी या वित्तीय ओवरहेड के बिना। और इसके अलावा, हमारा प्लेटफ़ॉर्म उपयोगकर्ताओं को एक ही चरण में विकास से तैनाती तक ले जाने की अनुमति देता है।

हमारा प्लेटफ़ॉर्म अन्य “विरासत” मॉडल जैसे गहरे शिक्षण या सुदृढ़ शिक्षण के साथ एकीकृत होता है और उनकी शेल्फ़ लाइफ़ को बढ़ाता है, जिससे कंपनियां मौजूदा प्रणालियों को नए अनुप्रयोगों में पुनः उपयोग और एकीकृत करने में सक्षम होती हैं। इसी तरह, चूंकि हमारे एल्गोरिदम और आर्किटेक्चर अद्वितीय हैं, इसलिए हमारे मॉडल ब्लैक बॉक्स नहीं हैं, इसलिए प्रणाली द्वारा सीखा गया कुछ भी मानव द्वारा खोजा और व्याख्या किया जा सकता है, और फिर व्यवसाय के अन्य क्षेत्रों में विस्तारित किया जा सकता है।

कुछ लोगों का मानना ​​है कि वितरित कृत्रिम बुद्धिमत्ता (DAI) कृत्रिम सामान्य बुद्धिमत्ता (AGI) का मार्ग प्रशस्त कर सकती है। क्या आप इस सिद्धांत को मानते हैं?

मैं करता हूं, और यह सिर्फ इसलिए नहीं है कि यह वह मार्ग है जिस पर हमने खुद को स्थापित किया है! जब आप मस्तिष्क को देखते हैं, तो यह एक एकल प्रणाली नहीं है। यह अलग-अलग, वितरित प्रणालियों से बना है जो मस्तिष्क के विभिन्न कार्यों में विशेषज्ञता रखते हैं। हमें यह नहीं पता हो सकता है कि एक विशिष्ट प्रणाली क्या कर रही है, लेकिन हम जानते हैं कि इसके निर्णय काफी हद तक उस जानकारी के प्रकार पर निर्भर करते हैं जो यह प्राप्त करता है और यह जानकारी समय के साथ कैसे बदलती है। (यही कारण है कि न्यूरोसाइंस विषय जैसे कि कनेक्टोम इतने लोकप्रिय हैं।)

मेरे विचार में, यदि हम मस्तिष्क की तरह लचीली और प्रदर्शन करने वाली एआई बनाना चाहते हैं, तो यह मस्तिष्क में देखी जाने वाली वितरित आर्किटेक्चर पर विचार करना समझ में आता है। कोई तर्क दे सकता है कि गहरे शिक्षण आर्किटेक्चर जैसे मल्टी-लेयर नेटवर्क या सीएनएन मस्तिष्क में पाए जा सकते हैं, और यह सच है, लेकिन वे आर्किटेक्चर 50 साल पहले हमें मस्तिष्क के बारे में जो पता था उस पर आधारित हैं।

डीएआई का विकल्प यह है कि मोनोलिथिक, लचीले आर्किटेक्चर पर निर्माण जारी रखा जाए जो एक एकल निर्णय स्थान से जुड़ा हुआ है, जैसा कि गहरे शिक्षण या सुदृढ़ शिक्षण (या किसी भी पर्यवेक्षित शिक्षण विधि) में देखा जाता है। मैं सुझाव दूंगा कि ये सीमाएं गहरे शिक्षण और सुदृढ़ शिक्षण में मापदंड ट्वीकिंग या परतों या डेटा कंडीशनिंग जोड़ने का विषय नहीं हैं – ये मुद्दे गहरे शिक्षण और सुदृढ़ शिक्षण के लिए मूलभूत हैं, कम से कम जैसा कि हम उन्हें आज परिभाषित करते हैं, इसलिए कल की एआई बनाने के लिए नए दृष्टिकोण की आवश्यकता है।

क्या आप मानते हैं कि डीएआई का उपयोग करके एजीआई प्राप्त करना डीप लर्निंग और/या रीनफोर्समेंट लर्निंग विधियों की तुलना में अधिक संभावना है जो कि ओपनएआई और डीपमाइंड जैसी कंपनियों द्वारा वर्तमान में आगे बढ़ाया जा रहा है?

हां, हालांकि जो वे ब्लॉगिंग कर रहे हैं उसके आधार पर, मुझे लगता है कि ओपनएआई और डीपमाइंड अधिक वितरित आर्किटेक्चर का उपयोग कर रहे हैं जितना कि वे स्वीकार करते हैं। हम मल्टी-सिस्टम चुनौतियों जैसे ट्रांसफर लर्निंग या फेडरेटेड/वितरित लर्निंग के बारे में अधिक सुन रहे हैं, और संयोग से, यह कि गहरे शिक्षण और सुदृढ़ शिक्षण दृष्टिकोण इन चुनौतियों के लिए काम नहीं करेंगे। हम जोशुआ बेंगियो जैसे अग्रणियों से सुन रहे हैं कि कैसे जैविक रूप से प्रेरित आर्किटेक्चर इस अंतर को पुल कर सकते हैं! मैंने लगभग 20 वर्षों से जैविक रूप से प्रेरित एआई पर काम किया है, इसलिए मुझे लगता है कि हमने क्वोरम एआई में क्या सीखा है और हम एआई की अगली पीढ़ी बनाने के लिए इसका उपयोग कैसे कर रहे हैं जो इन सीमाओं को दूर करेगी।

क्या क्वोरम एआई के बारे में और कुछ है जो आप साझा करना चाहेंगे?

हम जून 2020 में फेडरेटेड और डिस्ट्रिब्यूटेड मशीन लर्निंग कॉन्फ्रेंस में अपने नए प्लेटफ़ॉर्म का पूर्वावलोकन करेंगे। इस बातचीत के दौरान, मैं कुछ विषयों पर हाल के आंकड़ों को प्रस्तुत करने की योजना बना रहा हूं, जिसमें संवेदनशीलता विश्लेषण शामिल है जो संवेदनशील एआई प्राप्त करने के लिए एक पुल के रूप में कार्य करता है।

मैं नोआह को इन अद्भुत उत्तरों के लिए विशेष धन्यवाद देना चाहता हूं, और मैं आपको क्वोरम पर जाने की सलाह देता हूं ताकि आप अधिक जान सकें।