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, पहले दक्षिणी कैलिफोर्निया विश्वविद्यालय में और हाल ही में नॉर्थवेस्टर्न में न्यूरोबायोलॉजी के सहायक अध्यक्ष के रूप में बिताए। उनका काम मस्तिष्क में सूचना प्रसंस्करण पर केंद्रित था और उन्होंने अपने शोध को ऑगमेंटेड रियलिटी, ब्रेन-कंप्यूटर इंटरफेस, कंप्यूटर विजन और एम्बेडेड रोबोटिक्स नियंत्रण प्रणालियों 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, उसके बाद इलेक्ट्रिक ड्रीम्स, शॉर्ट सर्किट, डीएआरवाईएल, वार गेम्स और अगले कुछ वर्षों में अन्य। हालांकि यह कल्पना के माध्यम से प्रस्तुत किया गया था, कृत्रिम बुद्धिमत्ता का विचार मुझे आश्चर्यचकित कर दिया। और हालांकि मैं केवल 8 साल का था, मैंने इस तात्कालिक संबंध और एआई की ओर एक तीव्र आकर्षण महसूस किया जो समय के साथ कम नहीं हुआ है।

आपकी दोनों जुनून कैसे विकसित हुए?

मेरी एआई और रोबोटिक्स में रुचि मस्तिष्क के प्रति जुनून के साथ-साथ विकसित हुई। मेरे पिता एक जीव विज्ञान शिक्षक थे और वे मुझे शरीर, इसके कार्य और इसके सभी 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, यह कैसे काम कर रहा है? मुझे दोनों में रुचि थी, लेकिन मुझे स्कूल में एआई या रोबोटिक्स के बारे में ज्यादा जानकारी नहीं मिली। इस वजह से, मैंने स्कूल में जीव विज्ञान और मनोविज्ञान का अध्ययन किया और एआई पर अपना समय बिताया।

जब मैं कॉलेज में गया, तो मैंने पैरलल डिस्ट्रीब्यूटेड प्रोसेसिंग (पीडीपी) पुस्तकों की खोज की, जो मेरे लिए बहुत बड़ी थी। वे मेरा एआई का पहला परिचय था, जिसने मुझे क्लासिक्स जैसे हेब, रोसेनब्लाट, और यहां तक कि मैक्कुलोच और पिट्स की ओर ले जाया। मैंने न्यूरोएनाटॉमी और स्कूल में जीव विज्ञान और मनोविज्ञान कक्षाओं से सीखे गए ज्ञान के आधार पर तंत्रिका नेटवर्क बनाना शुरू किया। स्नातक स्तर की पढ़ाई के बाद, मैंने एक कंप्यूटर नेटवर्क इंजीनियर के रूप में काम किया, जटिल, वाइड-एरिया नेटवर्क बनाए और उन नेटवर्क पर ट्रैफिक प्रवाह को स्वचालित और प्रबंधित करने के लिए सॉफ्टवेयर लिखा। यह बड़े मस्तिष्क बनाने जैसा था। यह काम मेरी एआई के प्रति जुनून को फिर से जगाया और मुझे ग्रेड स्कूल में जाने के लिए प्रेरित किया ताकि मैं एआई और न्यूरोसाइंस का अध्ययन कर सकूं, और बाकी इतिहास है।

क्वोरम एआई की स्थापना से पहले, आपने 12 वर्षों तक अकादमिक अनुसंधान में बिताए, पहले दक्षिणी कैलिफोर्निया विश्वविद्यालय में और हाल ही में नॉर्थवेस्टर्न में न्यूरोबायोलॉजी के सहायक अध्यक्ष के रूप में। उस समय आपका काम मस्तिष्क में सूचना प्रसंस्करण पर केंद्रित था। क्या आप इस शोध के कुछ पहलुओं पर हमें ले जा 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 संकेत एन्कोडिंग संचालन करता है। इस विशाल नेटवर्क में कार्यात्मक रूप से विशेषज्ञता वाले क्षेत्रों के बीच स्पष्ट कनेक्टिविटी पैटर्न हैं। जैसा कि हम ज़ूम इन करते हैं, हम देखते हैं कि न्यूरॉन्स को यह परवाह नहीं है कि वे किस संकेत को 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 का उत्पादन करता है? (2) इन विशेषज्ञता वाले क्षेत्रों की संरचना अनुभव के परिणामस्वरूप कैसे बनती है? और (3) वे कैसे बदलते रहते हैं क्योंकि हम अपने मस्तिष्क का उपयोग करते हैं और समय के साथ सीखते हैं? मेरा शोध इन प्रश्नों का समाधान करने के लिए प्रयोगात्मक अनुसंधान के साथ-साथ सूचना सिद्धांत और मॉडलिंग और सिमुलेशन के मिश्रण का उपयोग करने का प्रयास करता है – जो कि कृत्रिम निर्णय प्रणाली और एआई बनाने में हमें सक्षम बना सकता है। न्यूरोबायोलॉजी के संदर्भ में, मैंने न्यूरोप्लास्टिकिटी और विशेषज्ञता वाले क्षेत्रों जैसे कि दृश्य कॉर्टेक्स के माइक्रोएनाटॉमी का अध्ययन किया।

आपने तब 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 आज ऑगमेंटेड रियलिटी कहेंगे, लेकिन उस समय, यह बस एक प्रणाली थी जो आंखों की गति को ट्रैक और पूर्वानुमान लगा रही थी, और फिर उन पूर्वानुमानों का उपयोग स्क्रीन पर कुछ अपडेट करने के लिए कर रही थी। प्रणाली को रियलटाइम में काम करने के लिए, मैंने एक जैविक रूप से प्रेरित मॉडल बनाया जो देखने वाले के आधार पर माइक्रोसैकेड्स – आंखों की छोटी गति जो आंखों की गति से पहले होती है – के आधार पर देखने वाले के देखने की भविष्यवाणी कर सकता था। इस मॉडल का उपयोग करके, मैं यह भविष्यवाणी कर सकता था कि देखने वाला कहां देखेगा, और 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 साधारण डेस्कटॉप कंप्यूटर पर बिना किसी देरी के चला। प्रौद्योगिकी बहुत अद्भुत थी, लेकिन परियोजना अगले दौर के वित्तपोषण में नहीं पहुंची, इसलिए यह मर गई।

2011 में, मैंने उत्पाद विकास पर अधिक केंद्रित प्रयास किया और एक न्यूरल नेटवर्क बनाया जो स्कैल्प से मापी गई स्ट्रीमिंग ईईजी डेटा पर फीचर डिस्कवरी कर सकता था। यह अधिकांश ब्रेन-कंप्यूटर इंटरफेस सिस्टम का मूल कार्य है। परियोजना कितना छोटा फुटप्रिंट हम इसे चला सकते हैं? के प्रयोग में भी थी। हमारे पास एक हेडसेट था जो 400Hz पर कुछ चैनलों के ईईजी डेटा को पढ़ सकता था जो एंड्रॉइड फोन पर फीचर डिस्कवरी और वर्गीकरण के लिए ब्लूटूथ के माध्यम से भेजे जाते थे, और फिर एक आर्डुइनो-संचालित नियंत्रक में भेजे जाते थे जिसे हमने एक ऑफ-द-शेल्फ आरसी कार में फिट किया था। उपयोग में, एक व्यक्ति जो ईईजी हेडसेट पहने हुए था, मानसिक गणित करने से 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 के विभिन्न रोबोटिक डिवाइसों के बीच स्विच करने की अनुमति मिलती थी। हमने जो टैगलाइन बनाई थी वह थी “ब्रेन कंट्रोल मीट्स प्लग-एंड-प्ले।”

2012 में, हमने सिस्टम को एक बहुत अधिक वितरित तरीके से छोटे हार्डवेयर पर संचालित करने के लिए विस्तारित किया। हमने इसका उपयोग एक बहु-सेगमेंट, बहु-जोड़ वाले रोबोटिक आर्म को नियंत्रित करने के लिए किया, जिसमें प्रत्येक सेगमेंट एक स्वतंत्र प्रोसेसर द्वारा नियंत्रित किया जाता था जो एम्बेडेड एआई का एक निर्मित संस्करण चलाता था। एक केंद्रीय नियंत्रक का उपयोग करके भुजा को मैनिपुलेट करने के बजाय, हमने सेगमेंट को एक स्वार्म जैसे, वितरित तरीके से अपने लक्ष्य तक पहुंचने दिया। दूसरे शब्दों में, चींटियों की एक पुल की तरह, भुजा के सेगमेंट लक्ष्य को प्राप्त करने के लिए सहयोग करेंगे।

हम उसी दिशा में बढ़ते रहे जब हमने पहली बार 2013 में क्वोरम एआई – मूल रूप से क्वोरम रोबोटिक्स के रूप में जाना जाता था – लॉन्च किया। हमें जल्द ही एहसास हुआ कि सिस्टम इसलिए शानदार था क्योंकि यह एल्गोरिदम और आर्किटेक्चर के कारण था, न कि हार्डवेयर के कारण, इसलिए 2014 के अंत में हमने पूरी तरह से सॉफ्टवेयर में पिवोट किया। अब, 8 साल बाद, क्वोरम एआई अपनी जड़ों में वापस आ रहा है – रोबोटिक्स की ओर – नासा स्पेस रोबोटिक्स चैलेंज पर अपने फ्रेमवर्क को लागू करके।

प्रोफेसर के रूप में अपनी नौकरी छोड़ने और एक स्टार्टअप लॉन्च करने का निर्णय लेना मुश्किल होगा। आपको यह करने के लिए क्या प्रेरित किया?

यह मेरे लिए कई तरीकों से एक बड़ा कदम था, लेकिन एक बार जब अवसर आया और रास्ता स्पष्ट हो गया, तो यह एक आसान निर्णय था। जब आप एक प्रोफेसर होते हैं, तो आप बहु-वर्षीय समय सीमा में सोचते हैं और आप 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 के लिए आपको लगातार सीखना और समस्याओं का समाधान करना होता है। एक स्टार्टअप में, इसका अर्थ यह हो सकता है कि उत्पाद विकास जोखिम को कम करने के लिए एक समाधान को फिर से इंजीनियर करने का प्रयास करना या शायद एक नया वर्टिकल अध्ययन करना जो हमारी तकनीक से लाभान्वित हो सकता है। एआई में काम करना मेरे लिए एक “कॉलिंग” के करीब है जितना मैंने कभी महसूस किया है, इसलिए सभी चुनौतियों और उतार-चढ़ाव के बावजूद, मुझे लगता है कि मैं जो काम कर रहा हूं वह करने में मैं बहुत भाग्यशाली हूं।

आपने तब क्वोरम एआई विकसित किया है, जो सभी उपकरणों और प्लेटफार्मों के लिए रियलटाइम, वितरित कृत्रिम बुद्धिमत्ता विकसित करता है। क्या आप इस एआई प्लेटफॉर्म 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 में सक्षम बनाता है। एनग्राम हमारे अनपर्स्ड लर्निंग एल्गोरिदम के चारों ओर एक लचीला और पोर्टेबल रैपर है जिसे हमने बनाया है। एल्गोरिदम इतने कुशल हैं कि वे रियलटाइम में सीख सकते हैं क्योंकि मॉडल भविष्यवाणियां कर रहा है। चूंकि एल्गोरिदम टास्क-एज्नोस्टिक हैं, मॉडल में कोई स्पष्ट इनपुट या आउटपुट नहीं है, इसलिए किसी भी आयाम के लिए बेयसियन तरीके से भविष्यवाणियां की जा सकती हैं और पुनर्प्रशिक्षण की आवश्यकता नहीं है और विनाशकारी भूलने से पीड़ित नहीं है। मॉडल पारदर्शी और विघटित करने योग्य भी हैं, जिसका अर्थ है कि वे व्यक्तिगत आयामों में विभाजित किए जा सकते हैं जो सीखे गए हैं और जो खो नहीं जाते हैं।

एक बार बन जाने के बाद, मॉडल को ईवीए के माध्यम से किसी भी प्रकार के प्लेटफ़ॉर्म पर तैनात किया जा सकता है, जो कस्टम एम्बेडेड हार्डवेयर से लेकर क्लाउड तक हो सकता है। ईवीए (और एम्बेडेबल होस्ट सॉफ़्टवेयर) में मॉडल की कार्यक्षमता का विस्तार करने के लिए कई उपकरण भी शामिल हैं। कुछ त्वरित उदाहरण: मॉडल प्रकाशन/सदस्यता प्रणाली के माध्यम से प्रणालियों के बीच साझा किए जा सकते हैं, जिससे वितरित प्रणालियों को समय और स्थान दोनों में संघीय सीखने को प्राप्त करने में सक्षम किया जा सकता है। मॉडल स्वायत्त एजेंटों के रूप में तैनात किए जा सकते हैं जो मनमाने कार्य कर सकते हैं, और चूंकि मॉडल टास्क-एज्नोस्टिक है, कार्य रनटाइम के दौरान पुन: प्रशिक्षण के बिना बदला जा सकता है। प्रत्येक व्यक्तिगत एजेंट को एक निजी “वर्चुअल” ईवीए के साथ विस्तारित किया जा सकता है, जिससे एजेंट को अन्य एजेंटों के मॉडल को स्केल-फ्री तरीके से अनुकरण करने की अनुमति मिलती है। अंत में, हमने केरस-आधारित गहरे शिक्षण और सुदृढ़ शिक्षण प्रणालियों के लिए कुछ रैपर बनाए हैं ताकि वे प्लेटफ़ॉर्म पर, अधिक लचीले एनग्राम-आधारित प्रणालियों के साथ संगत रूप से काम कर सकें।

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

जब आप एक मॉडल बना रहे होते हैं, चाहे आप मस्तिष्क का मॉडल बना रहे हों या उद्यम के लिए बिक्री डेटा का मॉडल बना रहे हों, तो आप अपने डेटा का एक इन्वेंट्री लेते हैं, और फिर आप देखते हैं कि कौन से ज्ञात मॉडल कक्षाएं आपके सिस्टम को अनुमानित करने के लिए काम करती हैं। मूल रूप से, आप सिस्टम के लिए कुछ खुरदरे स्केच बना रहे हैं ताकि यह देखा जा सके कि क्या अच्छा लगता है। आप उम्मीद नहीं करते हैं कि चीजें डेटा के साथ बहुत अच्छी तरह से फिट होंगी, और कुछ परीक्षण और त्रुटि होती है क्योंकि आप विभिन्न सिद्धांतों का परीक्षण करते हैं कि सिस्टम कैसे काम करता है, लेकिन कुछ फाइन-ट्यूनिंग के साथ, आप डेटा को बहुत अच्छी तरह से कैप्चर कर सकते हैं।

जैसा कि मैंने न्यूरोप्लास्टिकिटी को मस्तिष्क में मॉडल किया, मैंने सामान्य दृष्टिकोण के साथ शुरू किया जिसमें सभी आणविक मार्ग, परिवर्तनकारी अवस्थाएं और गतिविधियां शामिल थीं जो मुझे लगता था कि महत्वपूर्ण होंगी। लेकिन जब मैंने सिस्टम को अपने सबसे बुनियादी घटकों तक कम कर दिया और उन घटकों को एक विशिष्ट तरीके से व्यवस्थित किया, तो मॉडल अधिक सटीक होता गया जब तक कि यह लगभग डेटा से मेल नहीं खाता था। यह ऐसा था मानो सिस्टम के लिए हर एक ऑपरेटर और वेरिएबल सटीक रूप से वही था जो 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 का विकास या चेहरे की पहचान, तो यह जटिल कनेक्टिविटी पैटर्न बनाने में सक्षम था जो मस्तिष्क में देखे जाते हैं। चूंकि मॉडल गणितीय था, मस्तिष्क द्वारा सीखे गए पैटर्न को गणितीय विश्लेषण के माध्यम से समझा जा सकता था, जिससे मस्तिष्क क्या सीख रहा है इसके बारे में नई अंतर्दृष्टि मिलती है। तब से, हमने मॉडल को बनाने वाले डिफरेंशियल समीकरणों को हल किया है और सरल बनाया है, जिससे गणना की दक्षता में कई गुना सुधार हुआ है। यह वास्तविक कविता नहीं हो सकती है, लेकिन यह निश्चित रूप से ऐसा लगता था!

क्वोरम एआई का प्लेटफ़ॉर्म टूलकिट डिवाइस को एक दूसरे से जुड़ने और सीखने और डेटा साझा करने में सक्षम बनाता है, बिना क्लाउड-आधारित सर्वर के माध्यम से संवाद किए। इस तरह से करने के फायदे क्या हैं बनाम क्लाउड का उपयोग करना?

हम उपयोगकर्ताओं को अपनी एआई कहीं भी रखने का विकल्प देते हैं, बिना एआई की कार्यक्षमता से समझौता किए। एआई विकास में स्थिति यह है कि कंपनियों को आमतौर पर सुरक्षा, गोपनीयता या कार्यक्षमता में से एक को समझौता करना पड़ता है क्योंकि उनके पास क्लाउड-आधारित एआई सेवाओं का उपयोग करने का विकल्प होता है। यदि कंपनियां अपने स्वयं के एआई को इन-हाउस बनाने का प्रयास करती हैं, तो यह आमतौर पर बहुत पैसा और समय लेता है, और आरओआई शायद ही कभी जोखिम के लायक होता है। यदि कंपनियां क्लाउड-कनेक्टेड डिवाइसों पर एआई तैनात करना चाहती हैं, तो परियोजना जल्द ही असंभव हो जाती है। नतीजतन, एआई अपनाना एक कल्पना बन जाता है।

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

हमारा प्लेटफ़ॉर्म गहरे शिक्षण या सुदृढ़ शिक्षण जैसे “विरासत” मॉडल के साथ एकीकृत और विस्तारित करने में भी मदद करता है, जिससे कंपनियों को मौजूदा प्रणालियों को नए अनुप्रयोगों में एकीकृत और पुन: उपयोग करने में मदद मिलती है। इसी तरह, चूंकि हमारे एल्गोरिदम और आर्किटेक्चर अद्वितीय हैं, हमारे मॉडल ब्लैक बॉक्स नहीं हैं, इसलिए प्रणाली द्वारा सीखा गया कुछ भी मानव द्वारा अन्वेषण 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) के लिए मार्ग प्रशस्त कर सकती है। क्या आप इस सिद्धांत को मानते हैं?

मैं करता हूं, और यह सिर्फ इसलिए नहीं है क्योंकि यह वह पथ है जिसे हमने खुद के लिए निर्धारित 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 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 कonnektोम इतने लोकप्रिय हैं।)

मेरे विचार में, यदि हम मस्तिष्क की तरह लचीली और कार्य करने वाली एआई बनाना चाहते हैं, तो यह मस्तिष्क में देखे गए वितरित आर्किटेक्चर पर विचार करना समझ में आता है। एक bisa 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।

वितरित एआई का विकल्प यह है कि मोनोलिथिक, लचीले आर्किटेक्चर पर ध्यान केंद्रित करना जो एकल निर्णय स्थान से जुड़े हुए हैं, जैसा कि हम गहरे शिक्षण या सुदृढ़ शिक्षण (या किसी भी पर्यवेक्षित शिक्षण विधि के लिए) में देखते हैं। मैं सुझाव दूंगा कि ये सीमाएं गहरे शिक्षण और सुदृढ़ शिक्षण के लिए न केवल पैरामीटर ट्वीकिंग या परतों या डेटा कंडीशनिंग जोड़ने का मामला हैं, बल्कि वे आज के रूप में गहरे शिक्षण और सुदृढ़ शिक्षण के लिए मूलभूत हैं – इसलिए, यदि हम आगे बढ़ना जारी रखना चाहते हैं और कल की एआई बनाना चाहते हैं, तो नए दृष्टिकोण की आवश्यकता है।

क्या आप मानते हैं कि वितरित एआई (DAI) का उपयोग करके कृत्रिम सामान्य बुद्धिमत्ता (AGI) प्राप्त करना गहरे शिक्षण और सुदृढ़ शिक्षण जैसी विधियों का उपयोग करके प्राप्त करने की तुलना में अधिक संभावना है, जैसा कि ओपनएआई और डीपमाइंड जैसी कंपनियों द्वारा वर्तमान में पीछा किया जा रहा है?

हाँ, हालांकि मुझे लगता है कि ओपनएआई और डीपमाइंड वे जो ब्लॉगिंग कर रहे हैं उससे ज्यादा वितरित आर्किटेक्चर का उपयोग कर रहे हैं। हम मल्टी-सिस्टम चुनौतियों के बारे में अधिक सुन रहे हैं जैसे कि ट्रांसफर लर्निंग या फेडरेटेड/वितरित लर्निंग, और संयोग से, यह कि गहरे शिक्षण और सुदृढ़ शिक्षण के दृष्टिकोण काम नहीं करेंगे। हम पायनियर्स जैसे योशुआ बेंगियो के बारे में सुन रहे हैं कि कैसे जैविक रूप से प्रेरित आर्किटेक्चर इस अंतर को पाट 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 करेगा।

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

हम जून 2020 में फेडरेटेड और डिस्ट्रिब्यूटेड मशीन लर्निंग कॉन्फ्रेंस में अपने नए प्लेटफ़ॉर्म का पूर्वावलोकन करेंगे। भाषण के दौरान, मैं कुछ हाल के डेटा पर चर्चा करने की योजना बना रहा हूं, जिसमें भावना विश्लेषण शामिल है जो सहानुभूतिपूर्ण एआई प्राप्त करने के लिए एक पुल के रूप में कार्य कर सकता है।

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